論文の概要: Distilling Bayesian Belief States into Language Models for Auditable Negotiation

• arxiv url: http://arxiv.org/abs/2605.04507v1
• Date: Wed, 06 May 2026 05:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.658887
• Title: Distilling Bayesian Belief States into Language Models for Auditable Negotiation
• Title（参考訳）: 可聴ネゴシエーションのための言語モデルへのベイズ的信念の蒸留
• Abstract要約: BOND (Bayesian Opponent-Belief Negotiation Distillation) は, 可聴性蒸留のための枠組みである。 ボンドは、LLMベースのベイズ教師によって構成され、会話コンテキストを6つの候補の優先順序に対してスコアする。 交渉行動と正規化後信をタグ付きテキストとして出力する8Bのより小さな学生言語モデル。
• 参考スコア（独自算出の注目度）: 11.032420506181259
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Negotiation agents must infer what their counterpart values, update those beliefs over dialogue turns, and choose actions under uncertainty. End-to-end large language models (LLMs) can imitate negotiation dialogue, but their opponent beliefs are usually implicit and difficult to inspect. We propose BOND (Bayesian Opponent-belief Negotiation Distillation), a framework for auditable negotiation. BOND consists of an LLM-based Bayesian teacher that scores dialogue contexts against the six possible opponent priority orderings, updates a posterior over those orderings, and uses the posterior for menu-based decision making, as well as a smaller 8B student language model that emits both negotiation actions and normalized posterior beliefs as tagged text. In the CaSiNo negotiation dataset, BOND outperforms the state-of-the-art and achieves mean Brier score 0.085 over opponent-priority posteriors. The distilled student preserves much of this belief signal, achieving Brier 0.114, below the uniform six-ordering reference of 5/36, approximately 0.139. Compared with a 70B structured-CoT baseline, the significantly smaller 8B student model yields substantially better elicited posterior calibration. We further showcase auditability through posterior trajectories, belief-versus-policy error decomposition, and posterior-prefix interventions. These diagnostics reveal that distillation preserves a scoreable belief report more strongly than causal belief-conditioned control, making weak belief-action coupling visible, not hidden.
• Abstract（参考訳）: 交渉エージェントは、相手の価値観を推測し、それらの信念を対話の順番で更新し、不確実性の下で行動を選択する必要がある。 エンドツーエンドの大規模言語モデル(LLM)は交渉対話を模倣することができるが、相手の信念は通常暗黙的で検査が難しい。 BOND(Bayesian Opponent-Belief Negotiation Distillation)は,監査可能な交渉の枠組みである。 BOND は LLM ベースのベイズ教師によって構成され、会話コンテキストを6つの候補の優先順序に対してスコアし、それらの順序よりも後方を更新し、メニューベースの意思決定に使用する。 CaSiNo交渉データセットでは、BONDは最先端よりも優れており、反対のプライオリティの後部よりも平均で0.085得点を達成している。 蒸留された学生は、この信念の信号の多くを保存し、Brier 0.114を達成し、5/36の均一な6次基準(約0.139)を下回った。 70Bの構造化CoTベースラインと比較すると、かなり小さな8Bの学生モデルの方が、かなり優れた後部キャリブレーションが得られる。 さらに, 後部軌跡, 信念・対向・政治的誤りの分解, および後部修正の介入による聴力の検証を行った。 これらの診断は、蒸留は因果的信念条件による制御よりも、得点可能な信念レポートを強く保存し、弱い信念と行動の結合を可視化し、隠蔽しないことを示した。

関連論文リスト

• Symmetry-Aware Likelihood-Orbit Aggregation for Selective Left-Right Claim Verification [14.108900142001628]
  クローズド形式のコントラストであるRelation-Orbitを導入する。 VSRとGQAの4つの凍結された視覚言語モデルでは、Relation-Orbitは10%選択リスクキャリブレーションターゲットで平均テストカバレッジを高くする。
  論文  参考訳（メタデータ） (2026-09-15T11:19:03Z)
• CALMRec: Causally Aligned Language Memory for Long-Horizon Recommendation [0.0]
  本稿では,ロングホライゾンレコメンデーションのためのモデルに依存しないフレームワークを提案する。 我々は,eコマース,ニュース,ショートビデオのような環境における識別結果を提供し,その枠組みを評価する。
  論文  参考訳（メタデータ） (2026-07-26T13:28:51Z)
• TERMS-Bench: Diagnosing LLM Negotiation Agents Beyond Deal Rate [34.67393151003599]
  交渉はエージェント言語モデルのための標準的なテストベッドである。 数学やコードとは異なり、本質的な検証がない。 本稿では,環境自体を検証対象とするベイズゲームフレームワークであるTerms-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-13T06:22:50Z)
• Models Recall What They Violate: Constraint Adherence in Multi-Turn LLM Ideation [0.0]
  DriftBenchは、科学的思考における制約の順守を評価するためのベンチマークである。 繰り返し圧力は構造的複雑さを確実に増加させ、しばしば元の制約への固執を減少させる。 オープンベンチマークとして、すべてのブリーフ、プロンプト、ルックス、書き起こし、スコアをリリースします。
  論文  参考訳（メタデータ） (2026-04-30T15:46:33Z)
• BEDA: Belief Estimation as Probabilistic Constraints for Performing Strategic Dialogue Acts [69.7477004390211]
  我々は2つの中核的行為を形式化し、エージェントが生成する可能性のある確率的制約によってそれらを運用する。 我々は,このアイデアを,世界集合と信念推定のための信念推定器と,推論された信念と整合した発話を選択・実現する条件生成器とからなる枠組みであるBEDAでインスタンス化する。
  論文  参考訳（メタデータ） (2025-12-31T14:26:55Z)
• VISTA Score: Verification In Sequential Turn-based Assessment [18.318681275086902]
  VISTAは,クレームレベルの検証と逐次一貫性トラッキングを通じて,会話の事実性を評価するためのフレームワークである。 VISTAは、各アシスタントをアトミックな事実的クレームに分解し、信頼された情報源や対話履歴に対して検証し、検証不可能なステートメントを分類する。 人間による評価では、VISTAの分解はアノテーションの一致を改善し、既存のベンチマークの不整合を明らかにする。
  論文  参考訳（メタデータ） (2025-10-30T23:45:13Z)
• Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
  VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。 本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。 推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
  論文  参考訳（メタデータ） (2025-10-20T09:58:03Z)
• 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)
• Stated Preference for Interaction and Continued Engagement (SPICE): Evaluating an LLM's Willingness to Re-engage in Conversation [0.0]
  Stated Preference for Interaction and Continued Engagement (SPICE)は、大規模言語モデルにYESまたはNO質問をすることで引き起こされる単純な診断信号である。 10-interactionstimul setによる3-tone(親しみやすい,不明瞭,嫌悪感)を用いた実験では,4つのフレーミング条件で4つのオープンウェイトチャットモデルを検証した。 友好的な相互作用は継続をほぼ一様に好んだ(97.5% YES)が、虐待的相互作用は断念を強く好んだ(17.9% YES)
  論文  参考訳（メタデータ） (2025-09-10T22:34:17Z)
• Making Large Language Models Better Reasoners with Alignment [57.82176656663245]
  推論(Reasoning)とは、証拠を使って結論に達する認知過程である。 近年の研究では、思考の連鎖(COT)推論プロセスによるデータ上の微調整LDMは、その推論能力を著しく向上させることができることが示されている。 テキストアライメントファインチューニング(AFT)パラダイムを3ステップで導入する。
  論文  参考訳（メタデータ） (2023-09-05T11:32:48Z)
• 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)
• CoCo: Controllable Counterfactuals for Evaluating Dialogue State Trackers [92.5628632009802]
  本稿では,このギャップを橋渡しし,新たなシナリオにおける対話状態追跡(DST)モデルを評価するための制御可能な対策(CoCo)を提案する。 CoCoは、2つのステップで新しい会話シナリオを生成する: (i) スロットをドロップして追加し、スロット値を置き換えて、 (ii) (i) で条件付きで対話フローと整合する対実会話生成。 人間による評価では、COCO生成された会話は95%以上の精度でユーザー目標を完璧に反映し、元の会話と同じくらい人間らしくなっている。
  論文  参考訳（メタデータ） (2020-10-24T09:39:35Z)

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。