論文の概要: MIND: Multi-agent inference for negotiation dialogue in travel planning
- arxiv url: http://arxiv.org/abs/2603.21696v1
- Date: Mon, 23 Mar 2026 08:31:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.568288
- Title: MIND: Multi-agent inference for negotiation dialogue in travel planning
- Title（参考訳）: MIND:旅行計画における交渉対話のためのマルチエージェント推論
- Authors: Hunmin Do, Taejun Yoon, Kiyong Jung,
- Abstract要約: 旅行者間の現実的なコンセンサス構築を異質な嗜好でシミュレートするフレームワークであるMINDを提案する。
MINDは、90.2%の精度で言語的ニュアンスから反対の意志(w)を推測する戦略的な評価段階を導入する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Multi-Agent Debate (MAD) research has advanced, its efficacy in coordinating complex stakeholder interests such as travel planning remains largely unexplored. To bridge this gap, we propose MIND (Multi-agent Inference for Negotiation Dialogue), a framework designed to simulate realistic consensus-building among travelers with heterogeneous preferences. Grounded in the Theory of Mind (ToM), MIND introduces a Strategic Appraisal phase that infers opponent willingness (w) from linguistic nuances with 90.2% accuracy. Experimental results demonstrate that MIND outperforms traditional MAD frameworks, achieving a 20.5% improvement in High-w Hit and a 30.7% increase in Debate Hit-Rate, effectively prioritizing high-stakes constraints. Furthermore, qualitative evaluations via LLM-as-a-Judge confirm that MIND surpasses baselines in Rationality (68.8%) and Fluency (72.4%), securing an overall win rate of 68.3%. These findings validate that MIND effectively models human negotiation dynamics to derive persuasive consensus.
- Abstract（参考訳）: マルチエージェント・ディベート(MAD)研究は進んでいるが、旅行計画のような複雑な利害関係の調整における効果は未解明のままである。
このギャップを埋めるために、旅行者間の現実的なコンセンサス構築を異種嗜好でシミュレートするフレームワークであるMIND(Multi-Adnt Inference for Negotiation Dialogue)を提案する。
心の理論(ToM)に基づいて、MINDは、90.2%の精度で言語的ニュアンスから反対の意志(w)を推測する戦略的な評価段階を導入する。
実験の結果、MINDは従来のMADフレームワークより優れており、20.5%のHigh-W Hitと30.7%のDebate Hit-Rateの改善を実現し、効果的に高い制約を優先順位付けしている。
さらに、LCM-as-a-Judgeによる質的評価では、MINDはリミナリティ(68.8%)とフルエンシ(72.4%)のベースラインを超え、総合的な勝利率は68.3%である。
これらの結果は、MINDが人間のネゴシエーション力学を効果的にモデル化し、説得的コンセンサスを導出することを証明する。
関連論文リスト
- PieArena: Frontier Language Agents Achieve MBA-Level Negotiation Performance and Reveal Novel Behavioral Differences [13.759960839511807]
マルチエージェントインタラクションを基盤とした大規模ベンチマークベンチマークであるPieArenaを紹介する。
代表的フロンティア言語エージェント(GPT-5)が、訓練されたビジネススクールの生徒と一致したり、成績が良くなった場合の、人間-専門家レベルのパフォーマンスの体系的証拠を見出した。
論文 参考訳（メタデータ） (2026-02-05T04:52:20Z) - ReasoningBomb: A Stealthy Denial-of-Service Attack by Inducing Pathologically Long Reasoning in Large Reasoning Models [67.15960154375131]
大規模推論モデル(LRM)は、多段階推論トレースを明示した大規模言語モデルを拡張する。
この能力は、推論の高い計算コストを生かした、新しいタイプのプロンプト誘発推論時間拒否攻撃(PI-DoS)を導入している。
本稿では,強化学習に基づくPI-DoSフレームワークであるReasoningBombについて紹介する。
論文 参考訳（メタデータ） (2026-01-29T18:53:01Z) - ProMediate: A Socio-cognitive framework for evaluating proactive agents in multi-party negotiation [15.003377735831895]
ProMediateは、複雑なマルチトピック、複数パーティの交渉において、プロアクティブなAIメディエータエージェントを評価するためのフレームワークである。
以上の結果から,社会的に知能なメディエータエージェントは,より速く,よりターゲットのよい介入によって,汎用的なベースラインよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-10-29T07:00:11Z) - MMPersuade: A Dataset and Evaluation Framework for Multimodal Persuasion [73.99171322670772]
LVLM(Large Vision-Language Models)は、ショッピング、健康、ニュースなどの分野に展開されている。
MMPersuadeはLVLMにおけるマルチモーダルパーサージョンダイナミクスを体系的に研究するための統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-10-26T17:39:21Z) - Evaluating & Reducing Deceptive Dialogue From Language Models with Multi-turn RL [64.3268313484078]
大規模言語モデル(LLM)は、顧客サポート、教育、医療など、世界中の何百万もの人々と対話する。
故意であれ不注意であれ、偽りのアウトプットを生産する能力は、重大な安全上の懸念を生じさせる。
本研究では, LLM が会話中の偽装にどの程度関与しているかを考察し, 偽装を定量化する信念の誤調整尺度を提案する。
論文 参考訳（メタデータ） (2025-10-16T05:29:36Z) - Teaching LLM to be Persuasive: Reward-Enhanced Policy Optimization for Alignment frm Heterogeneous Rewards [16.217316324851343]
我々は,大規模言語モデル(LLM)をビジネス開発(BD)エージェントとして展開し,オンライン旅行代理店(OTA)における説得的価格交渉を行う。
Reward-Enhanced Policy Optimization (REPO) は、LLMを不均一な報酬と整合する強化学習後学習フレームワークである。
RMとRJとRF信号を組み合わせることで、報酬のハッキングを抑え、交渉の質を向上させるため、簡単な拡張機構が提案されている。
論文 参考訳（メタデータ） (2025-10-05T14:08:01Z) - EvoEmo: Towards Evolved Emotional Policies for Adversarial LLM Agents in Multi-Turn Price Negotiation [61.627248012799704]
既存のLarge Language Models (LLM)エージェントは、そのような交渉における感情の機能的役割をほとんど見落としている。
本稿では,交渉における動的感情表現を最適化する進化的強化学習フレームワークであるEvoEmoを紹介する。
論文 参考訳（メタデータ） (2025-09-04T15:23:58Z) - Debate Only When Necessary: Adaptive Multiagent Collaboration for Efficient LLM Reasoning [8.800516398660069]
大規模言語モデル(LLM)の推論能力を高めるための,有望なフレームワークとして,マルチエージェントコラボレーションが登場した。
本稿では,エージェントの初期応答の信頼性スコアに基づいて,議論を選択的に活性化する適応型マルチエージェント討論フレームワークであるDebate Only When Necessary (DOWN)を提案する。
ダウンは最大6倍の効率向上を実現し、既存のメソッドのパフォーマンスを保留する。
論文 参考訳（メタデータ） (2025-04-07T13:17:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。