論文の概要: Care-Conditioned Neuromodulation for Autonomy-Preserving Supportive Dialogue Agents
- arxiv url: http://arxiv.org/abs/2604.01576v1
- Date: Thu, 02 Apr 2026 03:44:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.211511
- Title: Care-Conditioned Neuromodulation for Autonomy-Preserving Supportive Dialogue Agents
- Title（参考訳）: 自律性維持支援型対話エージェントのためのケアコンディション型神経調節
- Authors: Shalima Binta Manir, Tim Oates,
- Abstract要約: 状態依存型制御フレームワークであるCCN(Care-Conditioned Neuromodulation)を導入する。
依存関係と強制をペナルティ化しながら、自律的なサポートと支援に報いるユーティリティ機能を定義します。
これらの結果から,自律感性対話における状態依存制御とユーティリティベース選択を併用した多目的アライメントの実践的アプローチが示唆された。
- 参考スコア（独自算出の注目度）: 3.7958475517455947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models deployed in supportive or advisory roles must balance helpfulness with preservation of user autonomy, yet standard alignment methods primarily optimize for helpfulness and harmlessness without explicitly modeling relational risks such as dependency reinforcement, overprotection, or coercive guidance. We introduce Care-Conditioned Neuromodulation (CCN), a state-dependent control framework in which a learned scalar signal derived from structured user state and dialogue context conditions response generation and candidate selection. We formalize this setting as an autonomy-preserving alignment problem and define a utility function that rewards autonomy support and helpfulness while penalizing dependency and coercion. We also construct a benchmark of relational failure modes in multi-turn dialogue, including reassurance dependence, manipulative care, overprotection, and boundary inconsistency. On this benchmark, care-conditioned candidate generation combined with utility-based reranking improves autonomy-preserving utility by +0.25 over supervised fine-tuning and +0.07 over preference optimization baselines while maintaining comparable supportiveness. Pilot human evaluation and zero-shot transfer to real emotional-support conversations show directional agreement with automated metrics. These results suggest that state-dependent control combined with utility-based selection is a practical approach to multi-objective alignment in autonomy-sensitive dialogue.
- Abstract（参考訳）: サポート的またはアドバイザリな役割に配備される大規模な言語モデルは、ユーザ自律性の維持と助けのバランスをとる必要があるが、標準的なアライメント手法は主に、依存性の強化、過剰な保護、強制的なガイダンスなどの関係リスクを明示的にモデル化することなく、助けと無害を最適化する。
本稿では,構造化ユーザ状態と対話状況の応答生成と候補選択から学習したスカラー信号を導出する状態依存型制御フレームワークであるCCNを紹介する。
我々は、この設定を自律保存アライメント問題として定式化し、依存関係と強制を罰しながら、自律サポートと援助に報いるユーティリティ機能を定義します。
また,マルチターン対話におけるリレーショナル障害モードのベンチマークを構築した。
このベンチマークでは、ケア条件付き候補生成とユーティリティベースのリグレードを組み合わせることで、監督された微調整よりも+0.25、優先最適化ベースラインよりも+0.07の自律保存ユーティリティが向上し、同等の支持性を維持している。
パイロットによる評価と、実際の感情支援会話へのゼロショット転送は、自動メトリクスとの方向性の一致を示している。
これらの結果から,自律感性対話における状態依存制御とユーティリティベース選択を併用した多目的アライメントの実践的アプローチが示唆された。
関連論文リスト
- From Stateless to Situated: Building a Psychological World for LLM-Based Emotional Support [0.594744418467423]
心理的サポートと感情的な共生のシナリオでは、大きな言語モデル(LLM)のコア制限は、局所的な次の次の予測に依存している。
プロセス指向の感情支援における鍵となる課題は、単に自然言語を生成するだけでなく、モデルに対して持続的に改善可能な外部状況構造を構築することであると論じる。
論文 参考訳（メタデータ） (2026-03-26T04:54:24Z) - Adaptive RAN Slicing Control via Reward-Free Self-Finetuning Agents [26.34195733862222]
本稿では,エージェントシステムが環境との直接対話を通じて継続的に学習することを可能にする,新たな自己ファインタニングフレームワークを提案する。
本フレームワークは,対話履歴から好みのデータセットを構築するために,自律的な言語フィードバックを生成するバイパースペクティブ・リフレクション機構を実装している。
その後の嗜好に基づく微調整プロセスは、長い水平体験をモデルのパラメータに蒸留する。
実験結果から,我々のフレームワークは,サンプル効率,安定性,マルチメトリック最適化において,標準強化学習(RL)ベースラインと既存のLarge Language Model(LLM)ベースエージェントよりも優れていた。
論文 参考訳（メタデータ） (2026-03-11T09:14:56Z) - FiLoRA: Focus-and-Ignore LoRA for Controllable Feature Reliance [9.773453946550003]
内部機能依存の明示的な制御を可能にする適応フレームワークFiLoRAを紹介する。
テキスト画像と音声画像のベンチマークにおいて、FiLoRAは内部計算において一貫した因果シフトを誘導することを示す。
さらなる分析により、FiLoRAは突発的特徴介入下で堅牢性を向上させることが示されている。
論文 参考訳（メタデータ） (2026-02-02T13:00:57Z) - Navigating the Synchrony-Stability Frontier in Adaptive Chatbots [0.0]
コア設計の緊張を明示する計算評価フレームワークを提案する。
人間のログデータセットに対する明示的な適応ポリシーをシミュレートし比較する。
限定されたポリシーは、同期に控えめなコストで、安定性の大幅な向上を実現している。
我々は、フロンティアポリシーが命令のチャーンを減らし、ジャリングレジスタのフリップを減らしたことを示す「素早い正当性」を定量化する。
論文 参考訳（メタデータ） (2025-09-30T22:50:30Z) - STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。
我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。
MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-08-26T08:47:58Z) - ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。
現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。
本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
論文 参考訳（メタデータ） (2025-08-19T12:13:41Z) - Collaborative Trustworthiness for Good Decision Making in Autonomous Systems [0.26999000177990923]
本稿では,運用環境における信頼度を高めるための総合的な協調的アプローチを提案する。
矛盾する情報が存在する場合、アグリゲーションは、コラボレーティブなデータ共有に基づく信頼できる意思決定において、大きな問題となる。
私たちは、信念の集約と伝播の形式モデルとしてバイナリ決定図(BDD)を使用し、BDDのサイズを減らすために削減ルールを定式化します。
論文 参考訳（メタデータ） (2025-07-15T09:37:28Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z) - Accountability in Offline Reinforcement Learning: Explaining Decisions
with a Corpus of Examples [70.84093873437425]
本稿では、オフラインデータセットを決定コーパスとして利用するAOC(Accountable Offline Controller)を紹介する。
AOCはローデータシナリオで効果的に動作し、厳密なオフラインの模倣設定まで拡張でき、保存性と適応性の両方の品質を示す。
シミュレーションおよび実世界の医療シナリオにおいて、AOCのパフォーマンスを評価し、説明責任を維持しながら高いレベルのパフォーマンスでオフライン制御タスクを管理する能力を強調した。
論文 参考訳（メタデータ） (2023-10-11T17:20:32Z)
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。