論文の概要: EmoMAS: Emotion-Aware Multi-Agent System for High-Stakes Edge-Deployable Negotiation with Bayesian Orchestration
- arxiv url: http://arxiv.org/abs/2604.07003v2
- Date: Sun, 12 Apr 2026 13:22:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 14:47:45.690533
- Title: EmoMAS: Emotion-Aware Multi-Agent System for High-Stakes Edge-Deployable Negotiation with Bayesian Orchestration
- Title（参考訳）: EmoMAS:ベイジアンオーケストレーションによる高速度エッジ展開型ネゴシエーションのための感情認識型マルチエージェントシステム
- Abstract要約: 大規模言語モデル(LLM)は自動交渉に広く使用されているが、その高い計算コストとプライバシリスクにより、モバイルアシスタントや救助ロボットなどのデバイス上でのプライバシに敏感な設定への展開が制限されている。
EmoMASは、感情的な意思決定を反応から戦略へと変換する、ベイズ的なマルチエージェントフレームワークである。
- 参考スコア（独自算出の注目度）: 26.485737549410405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) has been widely used for automated negotiation, but their high computational cost and privacy risks limit deployment in privacy-sensitive, on-device settings such as mobile assistants or rescue robots. Small language models (SLMs) offer a viable alternative, yet struggle with the complex emotional dynamics of high-stakes negotiation. We introduces EmoMAS, a Bayesian multi-agent framework that transforms emotional decision-making from reactive to strategic. EmoMAS leverages a Bayesian orchestrator to coordinate three specialized agents: game-theoretic, reinforcement learning, and psychological coherence models. The system fuses their real-time insights to optimize emotional state transitions while continuously updating agent reliability based on negotiation feedback. This mixture-of-agents architecture enables online strategy learning without pre-training. We further introduce four high-stakes, edge-deployable negotiation benchmarks across debt, healthcare, emergency response, and educational domains. Through extensive agent-to-agent simulations across all benchmarks, both SLMs and LLMs equipped with EmoMAS consistently surpass all baseline models in negotiation performance while balancing ethical behavior. These results show that strategic emotional intelligence is also the key driver of negotiation success. By treating emotional expression as a strategic variable within a Bayesian multi-agent optimization framework, EmoMAS establishes a new paradigm for effective, private, and adaptive negotiation AI suitable for high-stakes edge deployment.
- Abstract（参考訳）: 大規模言語モデル(LLM)は自動交渉に広く使用されているが、その高い計算コストとプライバシリスクにより、モバイルアシスタントや救助ロボットなどのデバイス上でのプライバシに敏感な設定への展開が制限されている。
スモールランゲージモデル(SLM)は、現実的な代替手段を提供するが、ハイテイクネゴシエーションの複雑な感情的ダイナミクスに苦慮している。
EmoMASはベイズ的なマルチエージェントフレームワークで、感情的な意思決定を反応から戦略へと変換する。
EmoMASはベイズオーケストレータを利用して、ゲーム理論、強化学習、心理的コヒーレンスモデルという3つの特殊エージェントを調整する。
このシステムはリアルタイムの洞察を融合して感情状態遷移を最適化し、交渉フィードバックに基づいてエージェントの信頼性を継続的に更新する。
この混合エージェントアーキテクチャは、事前トレーニングなしでオンライン戦略学習を可能にする。
さらに、債務、医療、緊急対応、教育領域の4つのハイテイク、エッジデプロイ可能なベンチマークも導入します。
全てのベンチマークにおけるエージェント・ツー・エージェント・シミュレーションを通じて、SLMとLLMは、倫理的振る舞いのバランスを保ちながら、交渉性能において全てのベースラインモデルを一貫して上回っている。
これらの結果は、戦略的感情的知性が交渉の成功の鍵でもあることを示している。
ベイズ多エージェント最適化フレームワーク内で感情表現を戦略的変数として扱うことで、EmoMASは、ハイテイクエッジデプロイメントに適した、効果的でプライベートで適応的なAIのための新しいパラダイムを確立する。
関連論文リスト
- EmoAgent-R1: Towards Multimodal Emotion Understanding with Reinforcement Learning-based Dynamic Agent Specialization [14.12747683387614]
本稿では,強化学習に基づく動的エージェント専門化を伴うMLLMの感情認識,推論,能力の最適化を目的とした,強化学習に基づく動的エージェントフレームワーク(textbfEmoAgent-R1)を提案する。
マルチモーダル感情認識ベンチマークの実験は、より強い感情推論性能と最適化安定性の向上におけるEmoAgent-R1の優位性を実証している。
論文 参考訳（メタデータ） (2026-07-23T07:52:40Z) - EmoDistill: Offline Emotion Skill Distillation for Language Model Agents in Adversarial Negotiation [44.481959726034574]
言語モデルエージェントに感情交渉スキルを蒸留するオフラインフレームワークである textbfEmoDistill を導入する。
EmoDistillは感情戦略を感情選択と感情表現に分解する。
4つの感情に敏感なネゴシエーションドメインで、EmoDistillフレームワークの下でトレーニングされたSLMポリシーが最も有効である。
論文 参考訳（メタデータ） (2026-05-26T09:54:53Z) - MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。
マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。
6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-03T09:47:49Z) - EQ-Negotiator: Dynamic Emotional Personas Empower Small Language Models for Edge-Deployable Credit Negotiation [66.09161596959771]
小型言語モデル (SLM) は実用的な代替手段を提供するが、大規模言語モデル (LLM) と比較して大きな性能差がある。
本稿では,感情的ペルソナを用いて,この能力ギャップを橋渡しする新しいフレームワークであるEQ-Negotiatorを紹介する。
EQ-Negotiator を用いた 7B パラメータ言語モデルは,ベースライン LLM の 10 倍以上の大きさで,債務回復と交渉効率が向上することを示す。
論文 参考訳（メタデータ） (2025-11-05T11:25:07Z) - Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。
本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
論文 参考訳（メタデータ） (2025-10-06T13:08:55Z) - 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) - EmoDebt: Bayesian-Optimized Emotional Intelligence for Strategic Agent-to-Agent Debt Recovery [65.30120701878582]
大規模言語モデル(LLM)エージェントは、負債収集のような感情に敏感なドメインの悪用に対して脆弱である。
EmoDebtは、ネゴシエーションにおける感情を表現するモデルの能力を、シーケンシャルな意思決定問題として再設計する感情インテリジェンスエンジンである。
EmoDebtは重要な戦略的堅牢性を実現し、非適応性と感情に依存しないベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2025-03-27T01:41:34Z) - Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。
合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。
我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
論文 参考訳（メタデータ） (2023-09-29T13:33:06Z)
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。