机心卷 · 世界补丁日志

Personalized Affective Perception via Continual Learning in Human-Agent Negotiation

2026-11-10 AI 辅助 · 人工审校 编号 cand-1be46cf00c5b

1. 一句话总结 论文将基于生成式回放的持续学习表情识别模型 CLIFER 与差分情感反馈结合,使谈判机器人在交互中实时适应不同用户的效价—唤醒变化,并在66人实验中提高智能体侧…

标题

同一个皱眉,可能是拒绝也可能是思考

🤖 同一个表情,在不同人身上可能意思相反。有人紧张时会皱眉,有人思考时也会皱眉。这篇人机谈判论文没有让机器人套用“标准情绪答案”,而是让它在对话中持续修正判断。

🧠 它使用CLIFER持续学习模型:一边识别情绪正负和强烈程度,一边用生成式回放复习旧经验,也就是通过合成样本继续学习,减少学新表情时忘掉旧表情。后台更新与实时谈判分开,聊天不必等待训练完成。

🗣️ 更有趣的是“差分情感反馈”:不只看此刻的情绪,还看它相对上一轮的变化,再决定谈判目标该更坚持还是更愿意让步。66人实验中,机器人一方收益和人类让步率显著提高,但参与者收益及双方收益差距没有显著变化,说明它更擅长适应策略,不等于双方都更满意。

🏠 这和生活的连接点是客服、学习助手与智能家居:识别到用户状态变化后,可以调整语气、提示强度或任务节奏。不过论文只验证了实验室谈判,迁移到其他场景仍需测试;摄像头应明确授权,也不能用误判的情绪给人贴标签。

💡 真正的个性化,不是假装读懂所有人,而是边互动边理解这个人的表达方式,再谨慎行动。如果是你,你最希望它先用在客服、学习还是陪伴场景?

标签

#AI论文 #情感计算 #持续学习 #人机交互 #谈判机器人 #生成式回放 #差分反馈 #个性化AI #智能客服 #隐私保护

原文来源

边界声明 · 这项研究不能证明什么

本文为一手来源的中文编辑导读,结论的适用范围与证据强度以来源原文为准;不构成医疗、投资或其他决策建议。

AIGC 内容说明

本文由 AI 辅助起草,经今山海编辑部人工核对事实、来源与边界后发布。修订与更正将在本页留痕。