論文の概要: MOCC-R1: Reinforcing Reasoning-Response Consistency for Multimodal Counselor Response Generation
- arxiv url: http://arxiv.org/abs/2609.17180v1
- Date: Tue, 15 Sep 2026 13:41:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.54631
- Title: MOCC-R1: Reinforcing Reasoning-Response Consistency for Multimodal Counselor Response Generation
- Title（参考訳）: MOCC-R1:マルチモーダルカウンセラー応答生成のための共振応答一貫性の強化
- Abstract要約: マルチモーダル対話履歴から適切なカウンセラー応答を生成することを目的としたマルチモーダルカウンセラー応答生成(MCRG)。
既存のデータセットは、資格のあるカウンセラーが実施する、持続的で記録されたカウンセリングの相互作用をほとんど捉えない。
認定カウンセラー154名を対象に,200時間以上の対話を含むマルチモーダルカウンセリング会話コーパスMOCCを紹介した。
- 参考スコア（独自算出の注目度）: 38.53210416623622
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal counselor response generation (MCRG) aims to generate an appropriate counselor response from multimodal dialogue histories. Progress is limited by two gaps: first, existing datasets rarely capture sustained, human-recorded counseling interactions conducted by qualified counselors; Second, existing methods do not explicitly optimize consistency between counseling reasoning and the generated response, potentially undermining the reliability of MCRG systems. Thus, we introduce MOCC, a multimodal counseling conversation corpus containing over 200 hours of interactions involving 154 credential-verified counselors. Based on MOCC, we propose MOCC-R1, a two-stage framework for optimizing reasoning-response consistency. Cold-start supervised fine-tuning trains the model to generate a structured trajectory consisting of client-state understanding, a response intent that links a counseling principle to a planned action, and the final response. Reinforcement learning (RL) then rewards grounded plan coherence and plan execution, encouraging the inferred state and plan to be supported by the dialogue context and the response to realize that plan. Experiments demonstrate the effectiveness of the proposed MOCC-R1.
- Abstract（参考訳）: マルチモーダル対話履歴から適切なカウンセラー応答を生成することを目的としたマルチモーダルカウンセラー応答生成(MCRG)。
進歩は2つのギャップによって制限されている: まず、既存のデータセットは、資格のあるカウンセラーによって実行される持続的で記録されたカウンセリングの相互作用をほとんど捉えない; 第二に、既存の手法はカウンセリングの推論と生成された応答の一貫性を明示的に最適化せず、MCRGシステムの信頼性を損なう可能性がある。
そこで我々は,154人の資格認定カウンセラーと200時間以上の対話を含むマルチモーダルカウンセリング会話コーパスMOCCを紹介した。
推論応答の一貫性を最適化する2段階フレームワークMOCC-R1を提案する。
コールドスタートの監督された微調整は、クライアント状態の理解、カウンセリングの原則と計画された行動とを結びつける反応意図、そして最終的な反応からなる構造化された軌道を生成するためにモデルを訓練する。
強化学習 (Reinforcement Learning, RL) では, 基礎となる計画の一貫性と計画実行を報奨し, 推測された状態と計画が, その計画を実現するための対話コンテキストと応答によって支持されるように促される。
提案したMOCC-R1の有効性を示す実験を行った。
関連論文リスト
- Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。
近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。
提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
論文 参考訳（メタデータ） (2025-11-12T08:29:39Z) - CATCH: A Novel Data Synthesis Framework for High Therapy Fidelity and Memory-Driven Planning Chain of Thought in AI Counseling [33.31877691538151]
CATCHはこれらの課題に対処するために設計された新しいデータ合成フレームワークである。
治療の忠実度を改善するために, プログレッシブ・ダイアログ合成戦略を導入する。
各応答の背後にある意思決定の根拠を捉えるために、メモリ駆動思考パターンを提案する。
論文 参考訳（メタデータ） (2025-09-30T03:44:00Z) - Planning Like Human: A Dual-process Framework for Dialogue Planning [31.995557540062553]
大規模言語モデル(LLM)における対話計画を強化するための2段階対話計画フレームワークを提案する。
心理学における二重過程理論に触発されて、直感的(高速)と分析的(スロー)の2つの思考様式を具現化した枠組みを提案する。
実験により,DPDPが高品質な対話と操作効率を両立し,既存手法よりも優れていることを確認した。
論文 参考訳（メタデータ） (2024-06-08T06:52:47Z) - JoTR: A Joint Transformer and Reinforcement Learning Framework for
Dialog Policy Learning [53.83063435640911]
対話政策学習(DPL)は対話モデリングの重要な構成要素である。
フレキシブルな対話行動を生成するための新しいフレームワークであるJoTRを導入する。
従来の方法とは異なり、JoTRはよりダイナミックで適応可能な対話アクション生成を可能にするワードレベルのポリシーを定式化している。
論文 参考訳（メタデータ） (2023-09-01T03:19:53Z) - EM Pre-training for Multi-party Dialogue Response Generation [86.25289241604199]
多人数対話では、応答発話の宛先を生成前に指定する必要がある。
本稿では,アドレナラベルを生成するための期待ステップを反復的に実行する期待最大化(EM)アプローチを提案する。
論文 参考訳（メタデータ） (2023-05-21T09:22:41Z) - Thinking Clearly, Talking Fast: Concept-Guided Non-Autoregressive
Generation for Open-Domain Dialogue Systems [5.012848165681843]
オープンドメイン対話生成のための概念誘導非自己回帰モデル(CG-nAR)を提案する。
提案モデルは,概念グラフから複数の関連する概念を識別する多概念計画モジュールから構成される。
2つの公開データセットの実験結果は、CG-nARが多様で一貫性のある応答を生成できることを示している。
論文 参考訳（メタデータ） (2021-09-09T08:00:44Z) - Learning an Effective Context-Response Matching Model with
Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。
我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。
実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
論文 参考訳（メタデータ） (2020-09-14T08:44:46Z) - Multi-Domain Dialogue Acts and Response Co-Generation [34.27525685962274]
本稿では,対話行動と応答を同時に生成するニューラルコジェネレーションモデルを提案する。
我々のモデルは, 自動評価と人的評価の両方において, いくつかの最先端モデルに対して, 極めて良好な改善を達成している。
論文 参考訳（メタデータ） (2020-04-26T12:21:17Z) - Dialogue-Based Relation Extraction [53.2896545819799]
本稿では,人間による対話型関係抽出(RE)データセットDialogREを提案する。
我々は,対話型タスクと従来のREタスクの類似点と相違点の分析に基づいて,提案課題において話者関連情報が重要な役割を担っていると論じる。
実験結果から,ベストパフォーマンスモデルにおける話者認識の拡張が,標準設定と会話評価設定の両方において向上することが示された。
論文 参考訳（メタデータ） (2020-04-17T03:51:57Z)
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。