論文の概要: Preference Estimation via Opponent Modeling in Multi-Agent Negotiation

• arxiv url: http://arxiv.org/abs/2604.15687v1
• Date: Fri, 17 Apr 2026 04:20:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.736318
• Title: Preference Estimation via Opponent Modeling in Multi-Agent Negotiation
• Title（参考訳）: マルチエージェントネゴシエーションにおける応答モデルによる推定
• Authors: Yuta Konishi, Kento Yamamoto, Eisuke Sonomoto, Rikuho Takeda, Ryo Furukawa, Yusuke Muraki, Takafumi Shimizu, Kazuma Fukumura, Yuya Kanemoto, Takayuki Ito, Shiyao Ding,
• Abstract要約: 本稿では,自然言語情報を構造化ベイズ対人モデリングフレームワークに組み込む新しい選好推定手法を提案する。 本フレームワークは,確率論的推論と自然言語理解を統合することにより,一致率と嗜好推定精度を向上する。
• 参考スコア（独自算出の注目度）: 1.2793978815721552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated negotiation in complex, multi-party and multi-issue settings critically depends on accurate opponent modeling. However, conventional numerical-only approaches fail to capture the qualitative information embedded in natural language interactions, resulting in unstable and incomplete preference estimation. Although Large Language Models (LLMs) enable rich semantic understanding of utterances, it remains challenging to quantitatively incorporate such information into a consistent opponent modeling. To tackle this issue, we propose a novel preference estimation method integrating natural language information into a structured Bayesian opponent modeling framework. Our approach leverages LLMs to extract qualitative cues from utterances and converts them into probabilistic formats for dynamic belief tracking. Experimental results on a multi-party benchmark demonstrate that our framework improves the full agreement rate and preference estimation accuracy by integrating probabilistic reasoning with natural language understanding.
• Abstract（参考訳）: 複雑、複数政党、複数問題設定における自動交渉は、正確な相手モデリングに大きく依存する。 しかし、従来の数値のみのアプローチでは、自然言語の相互作用に埋め込まれた定性的な情報を捉えることができず、不安定で不完全な選好推定をもたらす。 大規模言語モデル(LLM)は発話のセマンティックな理解を可能にするが、そのような情報を一貫した相手モデルに定量的に組み込むことは依然として困難である。 この問題に対処するために,自然言語情報を構造化ベイズ対人モデリングフレームワークに組み込む新しい選好推定手法を提案する。 提案手法では,LLMを用いて発話から定性的な手がかりを抽出し,動的信念追跡のための確率的形式に変換する。 提案手法は,確率論的推論と自然言語理解を統合することにより,一致率と嗜好推定精度を向上することを示した。

関連論文リスト

• Adaptive Elicitation of Latent Information Using Natural Language [6.162198958758635]
  本稿では,潜在エンティティの不確かさを積極的に軽減する適応型エレクテーションフレームワークを提案する。 我々のフレームワークは,メタ学習言語モデルを用いて将来の観測をシミュレートし,不確実性を予測する。 20の質問ゲーム、動的世論ポーリング、適応的学生評価の実験において、本手法は批判的未知を識別する基準線を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-04-05T15:18:55Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Verbalized Probabilistic Graphical Modeling [8.524824578426962]
  本稿では,自然言語における確率的グラフモデル (PGM) の重要な原理をシミュレートするために,動詞型確率的グラフィカルモデリング (vPGM) を提案する。 vPGMは専門家主導のモデル設計をバイパスし、仮定やデータ不足のシナリオに適している。 以上の結果から,本モデルは信頼性校正とテキスト生成品質を効果的に向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-06-08T16:35:31Z)
• Improving Instruction Following in Language Models through Proxy-Based Uncertainty Estimation [12.921225188504643]
  本稿では,ペア応答の品質に対するロバストな不確実性推定を導入した不確実性認識リワードモデル(URM)を提案する。 実験結果から,提案したプロキシを言語モデルトレーニングに組み込むことによる大きなメリットが示された。
  論文  参考訳（メタデータ） (2024-05-10T12:14:11Z)
• Bayesian Prompt Learning for Image-Language Model Generalization [64.50204877434878]
  我々はベイズ法の正規化能力を用いて、変分推論問題としてプロンプト学習をフレーム化する。 提案手法は,プロンプト空間を正規化し,目に見えないプロンプトへの過剰適合を低減し,目に見えないプロンプトのプロンプト一般化を改善する。 ベイジアン・プロンプト学習がプロンプト空間の適切なカバレッジを提供する15のベンチマークを実証的に示す。
  論文  参考訳（メタデータ） (2022-10-05T17:05:56Z)
• I like fish, especially dolphins: Addressing Contradictions in Dialogue Modeling [104.09033240889106]
  DialoguE Contradiction Detection Task(DECODE)と、人間とロボットの矛盾した対話の両方を含む新しい会話データセットを紹介します。 次に、事前学習したトランスフォーマーモデルを用いて、定型的非構造的アプローチと矛盾検出を行う構造的発話に基づくアプローチを比較する。
  論文  参考訳（メタデータ） (2020-12-24T18:47:49Z)

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。