사회 동력 예측을 위한 적대적 보상 추정 기반 생성 학습 (GLARE: Generative Learning via Adversarial Reward Estimation For Social Dynamics Forecasting)

회의 지속을 위해는 장기 다인 회의에서 agenda 추적, 발언자 역할, 참여자 의도 및 불일치 추적이 필요하다. 우리는 2,207 개의 실세계 회의와 24,794 개의 미래 지향적 쿼리에서 Meeting Dynamic Forecasting Benchmark(MDFB)를 소개한다. 회의 전면과 활성 질문이 주어졌을 때, 모델은 한 번의 호출로 가능성 있는 다중 회전 연속성을 생성한다. 우리는 유용성---질문 진행---과 인간 유사성---가능한 대화 흐름 및 역할 일관성---을 평가한다. 정확한 미래 재현이 요구되지 않는다. 또한 우리는 GLARE, 조건부 언어 생성을 위한 적대적 모방 학습의 적응형 버전을 제시한다. 판별기에서는 관찰된 연속성을 현재 배우자가 생성한 샘플들 위에 두고, 판별기 점수가 KL-정규화된 정책 보상을 제공한다. 현재 정책 음의에 대한 재학습은 보상 지형을 배우자가 진화하는 동안에 진화시킨다. GLARE는 유용성에서 평균 인간 평가 승률 0.66, 인간 유사성에서 평균 인간 평가 승률 0.70을 달성하며, SFT와 SPIN을 능가하는 반면에 관찰된 인간 연속성을 넘지 않는다. 또한 MDFB는 일반 용도의 모델을 비교하기 위한 사회적 추론 장을 제공하는 실세계 회의의 예시로도 사용된다.