Meaning Negotiation as Inference
意义协商（MN）是主体就一组术语的意义达成一致的一般过程。人工智能学者通过论证方案、信念合并和信息融合算子以及本体对齐来处理MN问题，但所提出的方法依赖于参与者的数量。在本文中，我们给出了一个一般模型的MN为任意数量的代理，其中每个参与者讨论与其他人她的观点，通过展示它在一个实际的一组约束的意义上的谈判条款。我们称这种对个体观点的呈现为角度。代理人的目的不是形成一个共同的观点，而是就一个可接受的共同角度达成一致。我们分别分析了两个代理（\emph{bilateral}或\emph{pairwise} MN MN）和两个以上的代理（\emph{multiparty} MN）的MN的过程，我们使用博弈论模型来理解这两种情况下的过程是如何发展的：该模型是双边MN的讨价还价游戏和多方MN的英式拍卖。我们正式的过程中达成这样的协议，给出了一个演绎系统，包括规则是一致的，足以代表MN。
2011-01-23 cs.AI
Abstract Argumentation / Persuasion / Dynamics
National Institute of Informatics（国立信息学研究所）
说服行为是修辞论证的重要组成部分，可以看作是一种动态修饰语。我们扩展了Dung的框架与代理之间的说服行为，并考虑攻击，说服和防御之间的相互作用，迄今为止在很大程度上被忽视。我们描述了这个框架中可接纳性的基本概念，并展示了一种通过CTL（计算树逻辑）编码有效地丰富它们的方法，这也允许将逻辑已知的理论结果导入到我们的论证框架中。我们的目的是补充日益增长的兴趣，协调静态和动态的论证。
2018-11-07 cs.AI
Human-Agent Decision-making: Combining Theory and Practice
Bar-Ilan University（巴伊兰大学）
在博弈论和逻辑学中进行了大量的工作来模拟战略互动。一个重要的问题是，我们是否可以使用这些理论来设计与人互动的代理？一方面，它们为代理策略提供了正式的设计规范。另一方面，人们并不一定坚持按照这些策略进行游戏，他们的行为受到许多社会和心理因素的影响。在本文中，我们将考虑的问题，是否策略行为理论所暗示的策略可以使用的自动代理人，熟练地与人互动。我们将专注于我们构建的自动化代理，这些代理需要在两种谈判环境中与人互动：讨价还价和商议。对于讨价还价，我们将研究基于博弈论的均衡代理，对于论证，我们将讨论基于逻辑的论证理论。我们还将考虑安全游戏和说服游戏，并将讨论使用基于均衡的代理的好处。
2016-06-24 cs.AI cs.GT cs.MA
We Argue to Agree: Towards Personality-Driven Argumentation-Based Negotiation Dialogue Systems for Tourism
Department of Computer Science and Engineering, Indian Institute of Technology Patna（计算机科学与工程系，印度理工学院帕纳布）
本文提出性格驱动的基于论辩的协商对话生成（PAN-DG）任务，并构建了面向旅游业的数据集PACT，通过微调LLMs有效生成个性化理性回复，提升了协商对话系统的个性化和推理能力。
2025-09-14 cs.AI cs.CL
Mitigating Manipulation and Enhancing Persuasion: A Reflective Multi-Agent Approach for Legal Argument Generation
Intelligent Systems Program University of Pittsburgh Pittsburgh Pennsylvania USA；Intelligent Systems Program University of Pittsburgh
本文提出反思式多智能体方法，通过迭代精炼生成法律论证，有效缓解操纵、增强说服，提升弃权准确性与事实利用。
2025-10-23 cs.AI cs.CL cs.LG
Strategic Argumentation Dialogues for Persuasion: Framework and Experiments Based on Modelling the Beliefs and Concerns of the Persuadee
University College London（伦敦大学学院）；Scribe Labs（Scribe实验室）；Cardiff University（卡迪夫大学）
说服力是人类智力的一个重要而复杂的方面。如果通过对话进行，提出好的论点，从而提出反驳，显然对成功说服的能力有重大影响。在特定的对话中，决定一个论点是否好的两个关键因素是目标受众对论点和反论点的信任程度，以及论点对目标受众关注的问题的影响。在本文中，我们提出了一个框架，建模说服他们的信念和关注，并利用这些模型在优化选择的说服对话中移动。我们的方法是基于蒙特卡罗树搜索，它允许实时优化。我们提供了一项与人类参与者的研究的实证结果，表明我们基于该技术的自动说服系统优于在其策略中不考虑信念和关注的基线系统。
2021-01-28 cs.AI
Dispute Resolution Using Argumentation-Based Mediation
调解是一个过程，在这个过程中，双方同意通过谈判调解员提出的替代解决方案来解决争端。为了构建这样的解决方案，调解为谈判桌带来了更多的信息和知识，并在可能的情况下带来了资源。本文的贡献是自动调解机制，这样做。它提出了一个基于争论的调解方法，扩展了基于逻辑的方法，以基于争论的谈判涉及BDI代理。本文介绍了中介算法。为了进行比较，它用早期工作中使用的案例研究说明了该方法。它演示了计算调解人如何处理现实的情况下，谈判代理人会失败，否则由于缺乏知识和/或资源。
2014-09-15 cs.AI
Corruption and Audit in Strategic Argumentation
Reasoning Research Institute（推理研究所）
策略论证提供了一个简单的代理人之间的争论和谈判的模型。虽然代理人可能会按照我们的最佳利益行事，但很少有强制执行这种行为的行为。（Maher，2016）介绍了战略论证中的腐败和反腐败模型。在本文中，我们确定腐败行为，没有检测到的配方。我们加强了模型来检测这种行为，并表明，在加强的模型下，（Maher，2016）中的所有战略目标都是抵制腐败的。
2020-08-30 cs.AI cs.CR cs.MA
ARGUS: Seeing the Influence of Narrative Features on Persuasion in Argumentative Texts
University of Groningen（格罗宁根大学）
ARGUS通过分析叙事特征对说服力的影响，探索在线论证中叙事作用的机制
2026-02-27 cs.AI cs.CL
Assumption-Based Planning
Laboratoire Leibniz（莱布尼茨实验室）；CNRS（法国国家科学研究中心）；INPG（格勒诺布尔国立理工学院）；IMAG（格勒诺布尔计算机与应用数学研究所）
本文的目的是介绍一种新的规划方法，称为基于假设的规划。这种方法是一个非常有趣的方式来设计一个计划的基础上的多智能体系统，其中生产的全球共享计划是通过猜想/反驳周期。与经典的方法相反，我们的贡献依赖于代理推理，导致生产计划从规划域。考虑到复杂的环境和部分代理的知识，我们建议考虑规划问题作为一个可废止的推理代理交换建议和反建议，并能够对不确定性的原因。代理人之间的辩论对话不应被视为谈判过程，而应被视为建立计划的调查过程。在本文中，我们专注于允许代理根据其知识产生“合理”建议的机制。
2018-10-19 cs.AI
AI-Generated Compromises for Coalition Formation
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Weizmann Institute of Science（魏茨曼科学研究所）
本文提出基于AI生成妥协方案的联盟形成方法，结合有限理性与不确定性，利用自然语言处理技术在文本语义空间中设计算法，以促进大规模民主文本编辑。
2026-03-31 cs.AI cs.GT cs.MA
Free Argumentative Exchanges for Explaining Image Classifiers
Imperial College London（帝国理工学院）
提出基于双智能体辩论的多智能体论证框架FAX，用于生成图像分类器的可解释输出，并通过共识度与说服率实验证明其更忠实有效。
2025-02-18 cs.AI
Stability in Abstract Argumentation
结构化论证设置中的稳定性概念表征了与给定文字相关的接受状态不会受到该设置的任何未来演变的影响的情况。在本文中，我们抽象远离的逻辑结构的论点，我们移调这个概念的稳定性的背景下，邓根论证框架。特别是，我们展示了如何将这个问题转化为推理与参数不完整的AF。然后，我们提供了初步的复杂性结果的稳定性下四个突出的语义，在轻信和怀疑推理的情况下。最后，我们说明在何种程度上这一概念可以是有用的应用程序，以参数为基础的谈判。
2020-12-23 cs.AI
CaSiNo: A Corpus of Campsite Negotiation Dialogues for Automatic Negotiation Systems
University of Southern California（南加州大学）；Rollins College（罗林斯学院）；CUNY Lehman College（纽约城市大学雷曼学院）
与人类谈判的自动化系统在教育学和对话AI中有广泛的应用。为了促进实用谈判系统的发展，我们提出了CaSiNo：一个新的语料库，超过一千个英语谈判对话。参与者扮演营地邻居的角色，为即将到来的旅行协商食物，水和柴火包。我们的设计导致多样化和语言丰富的谈判，同时保持一个听话的，封闭的域环境。受人与人谈判文献的启发，我们对说服策略进行了诠释，并进行了相关分析，以了解对话行为与谈判绩效之间的关系。我们进一步提出并评估了一个多任务框架来识别这些策略在一个给定的话语。我们发现多任务学习大大提高了所有策略标签的性能，尤其是那些最倾斜的策略标签。我们发布了数据集、注释和代码，以推动人机谈判的未来工作：https://github.com/kushalchawla/CaSiNo
2021-04-29 cs.AI cs.CL cs.HC
NomicLaw: Emergent Trust and Strategic Argumentation in LLMs During Collaborative Law-Making
本文提出NomicLaw多智能体模拟框架，研究LLM在协作立法中的信任、互惠与策略性论证行为，实验显示智能体自发结盟、背叛并调整言辞影响决策，揭示其社交推理与说服潜力。
2025-08-07 cs.AI
Sequential LLM Release Facilitates Manipulation in Regulated Markets
Faculty of Data and Decision Sciences, Technion – Israel Institute of Technology, Haifa, Israel（以色列理工学院数据与决策科学学院，海法，以色列）
研究探讨了AI代理技术扩展对博弈论场景中经济影响，发现技术扩展可显著改变均衡收益与监管结果，提出'毒苹果'效应通过释放未被使用的新技术操纵监管设计，损害对手与监管公平性。
2026-08-18 cs.AI cs.CL cs.GT
Rashomon Memory: Towards Argumentation-Driven Retrieval for Multi-Perspective Agent Memory
Warsaw University of Technology（华沙技术大学）
提出Rashomon记忆架构，通过并行目标条件化智能体以各自优先级编码经验，并在查询时通过论证协商，利用Dung的论证语义选择解释，支持冲突呈现模式。
2026-05-30 cs.AI
Enhancing Conflict Resolution in Language Models via Abstract Argumentation
School of Philosophy, Zhejiang University（浙江大学哲学系）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；The State Key Lab of Brain-Machine Intelligence（脑机智能国家重点实验室）
针对大语言模型难以处理信息不完整/不一致引发冲突的问题，本文结合抽象论证框架构建带计算过程解释的数据集微调模型，提升了冲突解决泛化准确率与模型透明度。
2025-11-13 cs.AI
Agentic AI and Multiagentic: Are We Reinventing the Wheel?
Valencian Research Institute for Artificial Intelligence (VRAIN)（瓦伦西亚人工智能研究院）；Universitat Politècnica de València (UPV)（瓦伦西亚理工大学）
本文批判性地指出“Agentic AI”和“Multiagentic AI”只是对既有智能体与多智能体系统概念的流行词误用，主张将数十年积累的多智能体理论、标准和协议技术融入基于大语言模型的新一代 AI 智能体，避免重复造轮子。
2025-06-02 cs.AI cs.MA
