継続学習による感情パーソナライズで交渉エージェントを適応させる

- 人間と交渉する self-interested な intelligent agent 向けに、非言語表情から valence-arousal を個人適応的に知覚する手法を提案した研究。 - Continual Learning with Imagination for Facial Expression Recognition (CLIFER) を real time で personalization する affect-adaptive negotiation strategy。 - Differential feedback により valence-arousal の方向・強度の変化を agent の target utility 調整に変換する。 - 非同期 architecture で live interaction 中に背景で CLIFER を更新する。

- 一般的な facial-affect model は個人や文脈をまたぐと性能が劣化し generalization gap が生じる、という課題を出発点にしている。 - 比較対象の FaceChannel baseline に対し、CL-enabled agent は individual utility と participant concession rate で有意に高い結果を得た。 - 静的な汎用モデルではなく、交渉中の実時間 personalization を組み込んだ点が差分。 - 具体的な先行研究名の列挙は要旨からは不明。

- Continual Learning with Imagination for Facial Expression Recognition (CLIFER) を用い、valence-arousal perception を個人ごとに適応させる。 - Differential feedback が valence-arousal の方向と強度の変化を捉え、agent の target utility の調整に反映する。 - Asynchronous architecture により、live interaction の裏で CLIFER を継続更新する。 - 交渉戦略と表情知覚の personalization を結合する設計が肝。

- 66 名の参加者が humanoid robot と交渉する counterbalanced within-subject study を実施。 - CL-enabled agent は FaceChannel baseline より individual utility と participant concession rate が有意に高い。 - CL 条件では mean arousal estimates が有意に高く、output range も広い。 - Participant utility と Nash distance は条件間で有意差なし。

- CL による affective personalization と differential feedback の組合せが real-time negotiation で実用的価値を持つと結論。 - 一方で participant utility と Nash distance は改善せず、交渉結果の公平性・効率性への効果は限定的。 - CL 条件で arousal 推定が高く出力範囲が広がったことの解釈や、それが交渉行動に与える影響の詳細は要旨からは不明。 - 個人差・文脈依存性への一般化や長期運用時の安定性は要旨からは不明。

- 要旨で比較対象として明示される FaceChannel baseline の論文。 - 手法の基礎である Continual Learning with Imagination for Facial Expression Recognition (CLIFER) の原論文。 - Human-agent negotiation における affective computing の関連研究（具体的な論文名は要旨からは不明）。 - Valence-arousal に基づく facial expression recognition の一般的な手法に関する文献。