EMOTE: 一种基于共情的可解释性建模他人的架构

Jun, 2023

EMOTE: 一种基于共情的可解释性建模他人的架构

EMOTE: An Explainable architecture for Modelling the Other Through Empathy

Manisha Senadeera, Thommen Karimpanal George, Sunil Gupta, Stephan Jacobs, Santu Rana

TL;DR通过设计 Imagination Network 对另一个玩家的行动价值函数进行建模，从而使学习代理产生类似于其他代理的行为，这种方法尤其适用于使用复合价值或奖励函数的算法，在多智能体游戏中产生更好的性能表现。

Abstract

We can usually assume others have goals analogous to our own. This assumption can also, at times, be applied to multi-agent games - e.g. Agent 1's attraction to green pellets is analogous to Agent 2's attraction to red pellets. This "analogy" assumption is tied closely to the cognitive

multi-agent games empathy imagination network action-value function performance

发现论文，激发创造

基于情感的深度 Q 学习

本文介绍了一种基于 “同理心” 和 “以人为本” 的想法的增强深度学习网络 Empathic DQN，旨在有助于减轻有害行为带来的负面影响并降低同伴伤害，为机器道德和强化学习提供了潜在的联系。在两个网格世界环境中的概念验证结果显示了该方法的潜力。

Jun, 2019

生成智能体是否能预测情感？

我们研究了情感生成语言模型代理的情绪状态如何随着感知到新事件而演变，并引入了一种新的架构，其中将新经历与过去记忆进行比较，通过此比较，代理获得了在情感创造中至关重要的基于上下文的理解新经历的能力。

Feb, 2024

以心理理论为基础的多智能体强化学习的内在动机理论

该论文介绍了利用深度网络来模拟人类心智状态，并在多智能体环境中进行信念预测和强化学习的初步实验结果。

Jul, 2023

一种基于评估的情感链式架构的情感语言模型游戏代理

通过三个实证实验，该研究测试了大语言模型在解决情绪智能任务和模拟情绪方面的能力，并提出并评估了一种基于心理评估研究的视频游戏情绪模拟的新链式情绪架构。结果显示，在用户体验和内容分析指标上，它优于标准的大语言模型架构，从而为基于语言模型中的认知过程构建和测试情感代理提供了早期证据。

Sep, 2023

多智能体强化学习中以自我为本地对他人建模

本文提出了一种基于 Self Other-Modeling 的学习方法，用于解决多智能体强化学习中的信息不完全问题，并可用于解决合作和敌对情境下的任务。

Feb, 2018

用大型语言模型解释代理行为

智能代理通过观察状态和行为生成自然语言解释，以理解其行为，从而促进与用户的互动。

Sep, 2023

面向情感感知的谈判对话代理

探索预测谈判中两个重要的主观目标 - 结果满意度和合作方感知的情感属性，分析情感属性在预测中的作用，并研究了三个情感维度：表情符号、词汇和语境，以设计适应性的谈判代理人。

Jul, 2021

基于隐式人类反馈的任务学习 EMPATHIC 框架

本文提出了一种基于数据驱动的框架 EMPATHIC，该框架可以从人类面部表情等隐式反馈中学习如何优化机器人执行任务的表现，其中包括使用深度神经网络将隐式反馈转化为任务统计数据以及应用该框架在机器人操纵路径评估等多个领域的实例。

Sep, 2020

e-Genia3 一种为移情智能体设计的 AgentSpeak 扩展

本文提出了 e-Genia3，它是 AgentSpeak 的扩展，支持开发移情智能体。新扩展修改了智能体的推理过程，使其根据分析的事件以及智能体的情感状态和个性选择计划。另外，我们的建议允许软件代理模拟自我和其他代理之间的区别，通过两个不同的事件评估过程：移情评估过程，用于引起情绪作为对其他代理情绪的反应；常规情感评估过程，用于其他非移情情感事件。移情调节过程根据个人内部因素（如代理的个性和情感记忆）和代理的人际特征（例如代理之间的情感联系）来适应引起的移情情感。过去事件及其对应引起的情感的记忆可维持情感联系，从而支持代理之间的长期互动。

Aug, 2022

情感回应生成的迭代联想记忆模型

情感回应生成是理解对话表述中的认知和情感状态并生成适当回应。本文提出了一种迭代联想记忆模型 (IAMM)，通过使用新颖的二阶交互注意机制，迭代捕捉对话表述和情境、对话历史以及记忆模块 (用于存储关联词) 之间的重要关联词，从而准确而细致地理解表述。实验验证了该模型的有效性，并且语言模型的变化实验也表明关注关联词可以提高情感的理解和表达。

Feb, 2024