Hanyong Lee

Ph.D. student in artificial intelligence at CAU AutoML Lab.

10 minute read

이 논문은 특정 측면의 감정 극성을 평가하는 세 가지 주요 구성 요소(측면 용어 추출, 측면 범주 탐지, 감정 분류)를 활용하여 새로운 프롬프트 기반 공동 모델(PBJM)을 제안합니다. 이 모델은 측면 범주 분석(ACSA) 작업을 개선하여 감정 분석의 정확성을 높이고, 기존 모델보다 우수한 성능을 나타냄을 보여줍니다.

1. Introduction

image

  • ABSA(Aspect-Based Sentiment Analysis)는 문장에서 특정 측면(aspect)에 대한 감정 극성(sentiment polarity)을 분석하는 세분화된 감성 분석 과제이다.

  • ABSA는 세 가지 하위 과제로 구성됨:
    • ATE (Aspect Term Extraction): 문장에 명시된 측면 단어를 추출
    • ACD (Aspect Category Detection): 문장에서 언급된 측면 카테고리 감지
    • SC (Sentiment Classification): 특정 측면(또는 카테고리)에 대한 감정 극성 예측

  • ACSA(Aspect Category Sentiment Analysis)는 ACD와 SC를 결합하여 명시적 단어 없이도 카테고리 감정 예측 가능 (ex. “Bagels are ok, but be sure not to make any special requests!”)

  • 기존 방법의 문제점:
    • Cartesian Product 방식: 모든 카테고리-감정 쌍을 생성해 분류 ⇒ 데이터 과도 증가
    • Binary 확장 방식: 쌍 존재 여부를 감정 분류에 포함 ⇒ 복잡도 증가 및 불필요한 정보 발생
    • 계층적 분류(Hierarchical classification): 카테고리 감지 후 감정 예측하지만 두 작업 간 관계를 반영하지 못함
  • 본 논문의 핵심 제안:
    • PBJM (Prompt-Based Joint Model): 프롬프트 학습과 PLM 기반 공동 학습으로 문제 해결
      • 프롬프트를 활용해 카테고리 감지를 간결하게 수행
      • 감정 분류는 이진 분류로 처리해 단순화
      • 두 하위 과제를 BERT 기반으로 공동 학습, 상호 연관성 강화
      • 어텐션 메커니즘으로 중요한 단어에 집중
      • 버벌라이저(verbalizer)를 통해 라벨 단어와 라벨 공간 연결
  • 기여 및 성과:
    • 프롬프트 학습 기반 PBJM 모델을 처음으로 제안
    • 감정 분류 다중 클래스 문제를 멀티 레이블 문제로 전환
    • 4개 벤치마크 데이터셋에서 기존 모델들보다 높은 성능 달성

2. Related works

  • ACSA 작업을 해결하는 가장 직관적인 방법은 파이프라인 접근 방식:
    • 문장에서 언급된 카테고리 감지 및 해당 카테고리에 대한 감정 극성 예측 포함.
  • 카테고리 감지 방법:
    • Movahedi et al. [2]: 문장의 특정 요소에 주의를 기울이는 방법 사용.
    • Ghadery et al. [3]: 각 카테고리의 대표 단어와 문장을 비교하여 카테고리 존재 여부 결정.
  • 감정 극성 예측 방법:
    • Wang et al. [4]: 문맥과 카테고리 간 관계를 모델링하는 방법 제안, 주의 향상 LSTM 사용.
  • 파이프라인 접근 방식의 한계:
    • 초기 단계의 오류가 전체 예측 정확도에 상당한 영향을 미칠 수 있음.
    • 카테고리 탐지와 감정 예측 간의 연결을 무시하는 경향 존재, 이는 중요한 문제.
  • 통합된 프레임워크 접근:
    • Cartesian Product 접근 [7]: 카테고리-감정 쌍의 모든 가능 조합 생성.
    • Schmitt et al. [8]: 문장에서 카테고리 존재 여부를 나타내기 위해 “N/A” 차원 도입.
  • Hierarchical Graph Convolutional Network (Hier-GCN):
    • Cai et al. [10]: 두 개의 GCN 레이어 사용, 첫 번째 레이어는 상관관계 탐지, 두 번째 레이어는 감정 극성 예측.
  • SRGN(Semantic Relatedness-Enhanced Graph Network):
    • Zhou et al. [12]: Edge-Gated Graph Convolutional Network (EGCN) 사용, 의미 관련 정보 통합.
  • 공유 매개변수 감정 예측 레이어:
    • Li et al. [13]: 서로 다른 카테고리 간 감정 지식 전파 및 특정 카테고리의 데이터 부족 완화.
  • 이중 주의 메커니즘:
    • Gu와 Zhang [14]: 분석에서 카테고리와 감정을 효과적으로 고려.
  • 현재 연구의 한계:
    • ACD(Aspect Category Detection)와 SC(Sentiment Classification) 서브작업 간의 관계를 잘 모델링하지 못함.
  • 제안:
    • 이 문제를 해결하기 위한 공동 학습 접근 방식 제안.

2.1. Aspect category sentiment analysis

  • 프롬프트 기반 학습 연구
    • PLMs(사전학습된 언어 모델)를 활용하여 사전 학습 중 습득한 지식을 활용하려는 연구가 진행됨.
  • 자연어 프롬프트 사용
    • Seoh et al.의 연구에서는 제로샷 및 퓨샷 사례에 자연어 프롬프트를 활용.
    • LAMA 데이터셋은 인간이 제작한 클로즈 템플릿을 사용하여 PLMs가 사전 학습 중 습득한 지식을 회수하도록 자극.
  • 프리트레인된 프롬프트 템플릿 활용
    • Schick과 Schütze는 사전 훈련된 프롬프트 템플릿을 활용하여 텍스트 분류 및 조건에 따른 텍스트 생성을 수행.
  • 자동화된 템플릿 디자인 방법
    • Jiang et al.는 마이닝 기반 및 패러프레이징 기반 방법을 통해 자동 프롬프트 템플릿 생성 제안.
    • Haviv et al.는 BERT 기반 리라이터를 사용하여 PLMs의 지식 추출 수행.
    • Gao et al.는 T5를 활용하여 프롬프트 생성을 텍스트 생성 과제로 취급.
  • 연속 템플릿 사용 탐색
    • Qin과 Eisner는 경량 템플릿 혼합을 조정하기 위해 경량 하강법을 활용.
    • “P-tuning”은 Liu et al.에 의해 제안되어, 연속 자유 매개변수를 삽입하여 자동으로 프롬프트를 검색.
  • 지식 주입을 통한 성능 향상
    • Li et al.는 감정 지식을 사용하여 통합 네트워크 내에서 프롬프트를 향상.
    • Hu et al.는 외부 지식을 언어화 도구에 통합하여 프롬프트 기반 학습 성능 개선.

3. Methods

image

  • 리뷰 문장이 n개의 단어로 구성되어 있음 (𝑊 = [𝑤1, 𝑤2, . . . ,𝑤𝑛])
  • 미리 정의된 측면 카테고리 집합 𝐶와 감정 극성을 포함하는 집합 𝑃 (긍정, 부정, 중립) 존재
  • ACSA(Aspect Category Sentiment Analysis)의 목표:
    • 각 입력 𝑊에 대해 카테고리와 감정의 모든 가능한 조합 생성 (\(c, p\)),
    • 여기서 \(c\)는 집합 𝐶의 측면 카테고리 레이블, \(p\)는 감정 극성
  • ACSA 문제를 해결하기 위한 PBJM 모델 구성 요소:
    • BERT 인코더 모듈
    • 주의 메커니즘 모듈
    • 음성화 모듈
    • 감정 분류기 모듈
  • 이 섹션의 나머지 부분에서는 각 구성 요소에 대한 자세한 정보를 제공함.

3.1. Task definition

  • 해당 모듈에서는 문장에서 측면 범주를 식별하기 위해 "the sentence is about the [𝑀𝐴𝑆𝐾]"라는 프롬프트 템플릿을 수동으로 생성함.
  • 입력 시퀀스는 다음과 같이 형성됨:
    \(S = [C_{LS}] \, sentiment\_polarity [S_{EP}] \, original \, sentence + template [S_{EP}]\)
  • 여기서 [𝐶𝐿𝑆]와 [𝑆𝐸𝑃]는 특수 토큰이며, ‘sentiment’는 다양한 감정 극성을 가리킴.
  • Eq. (1)에 따르면, 원본 데이터셋의 각 문장은 동일한 프롬프트 템플릿을 가지지만 서로 다른 감정 극성을 가진 세 개의 문장으로 확장됨.
  • 훈련 과정은 확장된 새 데이터셋에서 수행됨.
  • 입력 시퀀스는 BERT 모델을 이용해 숨겨진 상태로 변환됨:
    \(T = BERTEncoder(S)\)
  • 여기서 \(T \in R^{(n+10) \times d_{m}}\)이고, \(d_{m}\)은 BERT 모델의 숨겨진 차원임.

3.2. BERT encoder module

  • 목적: 카테고리 주의(category attention)는 문장의 중요한 구간을 식별하여 특정 카테고리에 맞는 내용을 추출.

  • 벡터 표현:
    • 원본 문장: \(T_W \in \mathbb{R}^{n \times d_m}\)
    • 토큰 [MASK]: \(T_M \in \mathbb{R}^{d_m}\)
  • 카테고리 주의 정의:
    • \[H = \sum_{i=1}^{n} T_W^i \cdot T_M \left( \sum_{j=1}^{n} T_W^j \cdot T_M \cdot T_W^i \right)\]
  • 후처리:
    • \[H' = \text{dense}(T_M \oplus H)\]
    • 여기서 \(H \in \mathbb{R}^{d_m}\), \(H' \in \mathbb{R}^{d_m}\), \(n\)은 문장 단어 수.
  • 벡터 연결:
    • \(\oplus\)는 두 벡터를 연결하는 연산.
  • 풀리 연결 레이어 정의:
    • \[\text{dense}(x) = \tanh(W_d x + b_d)\]
    • \(W_d \in \mathbb{R}^{d_m \times 2d_m}\), \(b_d \in \mathbb{R}^{d_m}\)는 가중치와 편향을 나타냄.

3.3. Category attention module

  • 목적:
    • 프롬프트 학습의 언어화기는 모델에서 가져온 레이블 단어를 필요한 레이블로 매핑.
    • 레이블 단어의 품질이 최종 예측 결과에 직접적인 영향.
  • 동의어 사용:
    • 동의어를 사용하여 레이블의 범위를 확장하고 원래 의미 유지.
    • thorough하고 우수한 품질의 레이블 단어 확보.
  • 레이블 구조:
    • “레이블”은 특정 aspect 카테고리와 연결.
    • 구성 요소: 엔터티 (E)와 속성 (A)로 나뉘어짐.
    • 예: ‘‘service#general’’에서, ‘‘service’’는 E, ‘‘general’’은 A.
  • 벡터 표현:
    • 벡터 표현 𝐻′를 BERT 사전 훈련된 선형 층을 통과시켜 확률로 변환.
    • 표현식: \(H_v = \tanh(W_v \cdot H' + b_v)\)
      • 여기서 \(H_v \in \mathbb{R}^{d_v}, W_v \in \mathbb{R}^{d_v \times d_m}, b_v \in \mathbb{R}^{d_v}\)
      • \(d_v\)는 어휘 단어 수.
  • 확률 추출:
    • 모든 확률 대신 \(i\)번째 레이블 단어의 확률만 추출 가능.
    • 표현식: \(H_l^i = \text{extr}(H_v)\)
      • 여기서 \(H_l^i \in \mathbb{R}^{d_l}\)
      • \(d_l\)는 레이블 단어의 길이.
  • 점수 할당:
    • \(i\)번째 aspect 카테고리에 점수 할당.
    • 표현식: \(p_c^i = \sigma(\text{softmax}(W_C^i \cdot H_l^i))\)
      • 여기서 \(p_c^i \in \mathbb{R}^{2}\), \(W_C^i \in \mathbb{R}^{2 \times d_l}\)
      • \(N\)은 aspect 카테고리 수, \(\sigma(\cdot)\)는 점수의 연결 작업.
  • 실험 데이터셋 통계:
    • 각 데이터셋의 카테고리, 문장 수, 긍정/중립/부정 수 포함.

3.4. Category verbalizer module

image

  • 목적: 첫 번째 토큰 [CLS]의 벡터 \(T_{CLS} \in \mathbb{R}^{d_{m}}\)을 이용하여 감정 극성을 위한 이진 레이블 예측
  • 구성 요소:
    • Fully Connected (FC) 레이어
    • 소프트맥스 디코더
  • 수식:
    • 예측 확률 \(p_{s} = \text{softmax}(W_{s} \cdot T_{CLS} + b_{s})\) (식 9)
  • 변수 설명:
    • \(p_{s} \in \mathbb{R}^{2}\): 예측된 확률
    • \(W_{s} \in \mathbb{R}^{2 \times d_{m}}\): 학습 가능한 파라미터
    • \(b_{s} \in \mathbb{R}^{2}\): 학습 가능한 파라미터

3.5. Sentiment classifier module

  • 정의:
    • 동질적인 감정 극성을 가진 𝑖번째 감정-카테고리 쌍의 예측: \((\hat{y}_s, \hat{y}_{c_i}) = (\text{arg max} p_s, \text{arg max} p_{c_i})\)
  • 예측 과정:
    • 다양한 감정 극성 하의 카테고리 분포 예측을 위해 세 번 반복.
  • 손실 함수 구성:
    1. 감정 분류기 모듈:
      • 사용되는 손실 함수: 이진 교차 엔트로피
      • 정의: \(\text{loss}_s = -2 \sum_{i=1} y_{s_i} \log p_{s_i}\)
        • 여기서 \(y_{s_i}\)는 진실 라벨.
    2. 카테고리 언어 모델 모듈:
      • 멀티 레이블 분류를 위한 손실 함수:
      • 정의: \(\text{loss}_c = -N \sum_{i=1}^N \sum_{j=1}^2 y_{c_{ij}} \log p_{c_{ij}}\)
        • 여기서 \(y_{c_{ij}}\)는 진실 라벨, $N$은 카테고리 수.
  • 총 손실 함수:
    • 총 손실은 두 부분의 합으로 구성됨: \(Loss = \text{loss}_s + \text{loss}_c + \lambda ||\theta||^2\)
      • 여기서 \(\lambda\)는 \(L^2\) 정규화 계수.

4. Experiments

image

  • 실험에 사용된 데이터셋:
    • SemEval-2015 및 SemEval-2016에서 수집된 4개의 공개 데이터셋
    • 식당 및 노트북 도메인의 리뷰 포함
    • 데이터셋 통계는 표 2에 표시
      • 미리 정의된 측면 카테고리 수
      • 문장 수
      • 긍정, 중립, 부정 문장 수
  • 실험 설정:
    • 인코더로서 768차원의 비케이스 BERT 사용
    • 최대 문장 길이 108로 설정
    • 에폭 수: 30, 배치 크기: 8
    • verbalizer 모듈의 매개변수 \(W_C\) 학습률: \(2 \times 10^{-3}\)
    • 다른 파라미터 학습률: \(2 \times 10^{-5}\)
    • 드롭아웃 비율: 0.1, \(L_2\) 정규화: \(1 \times 10^{-4}\)
    • 평균 점수는 5회 실행하여 안정적인 결과 제공
  • 실험 결과:
    • ACSA 작업의 결과 (표 3)
      • 다양한 모델(PR, R, F1 점수)
      • 최고 성능 모델: Our PBJM
  • Ablation 연구 결과 (표 4):
    • PBJM 모델의 변형(Attention, prompt, joint 제거에 따른 성능 비교)
    • 각 변형과 PBJM 모델의 성능 차이 확인
  • 최종 평가 지표:
    • 예측 결과의 정밀도(Precision)와 재현율(Recall) 계산
    • 마이크로 F1 점수 사용

4.1. Datasets and experimental settings

  • ACSA 작업에서 여러 접근 방식 간 비교 분석 수행
  • 사용된 방법들:
    • Pipeline-BERT: ACD 및 SC를 위한 파이프라인의 인코더로 BERT 사용
    • Cartesian-BERT: 문장 인코더로 BERT를 활용하고, 카르테시안 곱 방식 적용
    • Addonedim-BERT: BERT를 문장 인코더로 사용하며 add-one-dimension 방법 활용
    • AS-DATJM: ACD에서 주의 메커니즘 활용하여 측면 범주에 대한 벡터 표현 얻음. 이 벡터를 기반으로 GCN을 통해 SC 작업의 감정 맥락 집계
    • Hier-BERT: BERT를 인코더로 사용하는 계층적 예측 방법
    • Hier-Trans-BERT: Hier-BERT를 기초로 하여 Transformer를 사용해 측면 범주 간의 연결 및 해당 범주의 감정 간 상관관계 포착
    • Hier-GCN-BERT: Hier-BERT를 기반으로 관계 학습을 위해 GCN 사용
    • PBJM: 수동 프롬프트 템플릿과 주의 메커니즘을 결합한 공동 모델 제안

4.2. Compared methods

  • 모델 성능:
    • 각 모델은 다양한 데이터셋에서 개별적인 장단점을 보임.
  • Pipeline-BERT:
    • 높은 재현율(recall)을 보이나, 정확도(precision)는 낮음.
    • 두 개의 하위 작업 간 제한으로 인해 발생함.
  • Cartesian-BERT:
    • 레스토랑 도메인에서 성능 우수.
    • 노트북 도메인에서는 카테고리가 많아 어려움 겪음.
  • Addonedim-BERT 및 AS-DATJM:
    • Cartesian-BERT와 유사한 문제를 직면함.
  • 공동 모델(Hier-BERT, Hier-Tans-BERT, Hier-GCN-BERT):
    • 양면성(category)과 감정(sentiment) 간의 상호작용을 고려하는 중요성을 강조.
    • 하지만 두 결과 간의 불일치 가능성도 존재.
  • PBJM 모델:
    • BERT 인코더를 활용하여 측면 카테고리 탐지(aspect category detection)와 감정 분류(sentiment classification) 간의 관계를 공동으로 설정.
    • 프롬프트 기반 학습(prompt-based learning) 사용하여 PLM의 효율성 극대화.
  • 데이터셋 규모 감소:
    • 측면 카테고리 탐지를 위해 특별히 설계된 템플릿 사용.
  • F1 성능:
    • PBJM 모델, 추가 방법 없이도 다른 기준 시스템에 비해 F1 성능에서 우수함.
  • 미래 연구 및 실제 응용 가능성:
    • 프롬프트 기반 패러다임이 PLM 성능을 향상시킬 수 있는 잠재력 존재.

4.3. Main results

  • 모델 PBJM에 대한 Ablation 실험 수행
    • 각각의 모델 구성 요소의 유효성을 확인하기 위함.
  • PBJM w/o Attention
    • 주의(attention) 메커니즘 제거.
  • PBJM w/o prompt
    • 프롬프트 기반 학습 제거.
    • 템플릿을 토큰 [MASK]로 교체하고, Verbalizer를 3층 완전 연결 네트워크로 대체.
  • PBJM w/o joint
    • ACD와 SC를 각각 별도로 훈련.
    • ACD는 프롬프트 기반 학습을 활용.
  • 결과 요약
    • 다양한 기법이 모델에 유익함을 보여줌.
      • 주의 메커니즘의 효과: 모델이 문장 내 숨겨진 측면 용어를 식별.
      • 프롬프트 기반 학습의 효과: 특히 노트북 도메인에서 모델 성능 크게 향상, 어려운 측면 범주를 구별하는 데 도움.
      • Joint Training의 효과: 두 하위 작업 간의 관계를 캡처, 모델 성능을 향상시키는 효과적 다리 역할.
  • 결론
    • 주의 메커니즘, 프롬프트 기반 학습, 및 Joint Training의 결합이 ABSA를 위한 더 강력하고 효과적인 모델을 구축.
    • 이러한 기법을 활용하여, 모델은 측면 범주와 감정 간의 연결을 보다 잘 이해하고 활용하게 되어, 다양한 도메인 및 데이터셋에서 성능 향상.

4.4. Ablation study

  • 다양한 템플릿이 ACSA 작업에 미치는 영향을 조사함.
  • 다음과 같은 프롬프트 템플릿을 제시:
    • 템플릿 (0): 실험에 사용된 템플릿
    • 템플릿 (1): “문장은 [MASK]라고 생각함”
    • 템플릿 (2): “[MASK]는 문장의 카테고리”
    • 템플릿 (3): “문장의 [MASK]에 관한 것”
  • 표 5: 각 템플릿이 두 개의 훈련 데이터셋에 미치는 영향
    • Rest15에서 템플릿 (0) 사용 시 데이터셋 크기가 3배 증가
    • 템플릿 (1)는 각 카테고리 수에 따라 데이터셋을 증가시킴, 더 많은 카테고리가 있을수록 중복 정보가 증가함
  • 표 6: 다양한 템플릿 결과
    • 템플릿 (1): F1 점수 감소, 특히 Lap15 데이터셋에서 두드러짐
    • 템플릿 (0) 선택 이유: 중복 정보가 결과에 부정적 영향 미침
    • 템플릿 (2)와 (3)은 마스킹 위치는 다르지만 비슷한 최종 결과 도출
    • 훈련 반복 횟수 증가에 따라 템플릿의 최종 결과에 대한 영향이 점차 줄어듦
  • 그림 3: Rest15 데이터셋에서 다양한 템플릿 (0), (2), (3)의 성능 변화
    • 초기 훈련 시 다양한 템플릿 간 결과 차이 있음
    • 훈련 에포크 수가 증가함에 따라 결과 차이가 점차 줄어듦
    • 다양한 템플릿에 의한 영향도 시간이 지남에 따라 감소함

4.5. Impact of templates

  • 실험을 통해 모델의 강건성을 입증하기 위해 여러 전형적인 케이스가 선택됨
    • (a) 명시적 측면
    • (b) 암시적 측면
    • (c) 동일한 감정을 가진 다중 카테고리
    • (d) 다중 감정 카테고리를 가진 다중 카테고리
  • 테스트 결과(Table 7):
    • 모델이 명시적 및 암시적 측면 카테고리를 정확하게 식별
    • 여러 카테고리가 동일한 감정을 가질 때도 정확한 예측 가능
    • 다양한 시나리오에서 감정 분석 모델의 강건성과 신뢰성 입증
  • 예시 (e)에서 4개의 카테고리 중 2개 식별에 어려움:
    • 첫째, 복잡한 의미적 관계로 인해 암시적 측면 카테고리 확인의 어려움
    • 둘째, 카테고리의 라벨 단어 정의가 어려워 혼란을 초래할 가능성
      • 이는 사용된 언어의 복잡성, 카테고리의 모호성, 훈련 데이터 부족 등 여러 요인에 기인할 수 있음.

4.6. Case study and error analysis

  • 제안된 연구는 PBJM 모델을 소개함.
  • PBJM 모델의 목표:
    • ACSA 작업의 한계를 극복하기 위해 프롬프트 기반 학습 사용.
  • 모델 특징:
    • 사전 학습에서 멀티 클래스 분류를 멀티 레이블 분류로 전환.
    • 카테고리 주의를 활용하여 관련 카테고리 정보를 획득.
  • 실험 결과:
    • 네 개의 벤치마크 데이터셋에서 기존 모델들을 크게 초과 성능을 나타냄.
  • 연구 결과:
    • PLM(미리 학습된 언어 모델) 내 정보의 중요성 강조.
    • 작업 유형보다 정보의 양이 더 중요하다는 점 부각.

5. Conclusion

  • 연구 목적:
    • ACSA(Aspect Category Sentiment Analysis)의 기존 한계를 프롬프트 기반 학습으로 해결
  • 모델 특징:
    • 기존 사전학습 모델의 다중 클래스 분류를
      → 다중 라벨 분류(multi-label classification)로 전환
    • Category Attention을 활용하여
      → 문장에서 측면 카테고리 정보를 효과적으로 추출
  • 실험 결과:
    • 네 개의 벤치마크 데이터셋에서 실험 수행
    • 기존의 최신 모델들을 유의미하게 능가하는 성능 달성
  • 핵심 시사점:
    • 사전학습 언어 모델(PLM)에 내재된 정보가
      → 과제(Task) 자체보다 더 중요한 요소로 작용함을 입증

Comments

You May Also Enjoy

[논문리뷰] Language Models Resist Alignment- Evidence From Data Compression (ACL 2025)

23 minute read

이 논문은 대형 언어 모델의 정렬 파인튜닝이 실제로 견고한 효과를 가지는지 이론적·실험적으로 처음으로 조사한다. 실험을 통해 정렬된 후에도 모델이 사전학습 분포로 되돌아가려는 ‘엘라스티시티’를 확인하고, 압축 이론으로 파인튜닝이 정렬 효과를 더 크게 약화시킬 수 있음을 보이며, 모...

[논문리뷰] What Can Game Theory Tell Us about an AI ‘Theory of Mind’? (Games 2022)

8 minute read

이 논문은 타인의 비관측적 인지 제약을 모델링해 복잡한 사회적 상호작용의 행동 예측을 단순화할 수 있으며, 이를 마음 이론과 게임 이론의 연결으로 설명한다. 또한 내성(내적 성찰)과 마음 이론의 관계를 밝히고 생물학적·인공지능 에이전트의 대인관계 모델링에서 게임 이론의 역할을 논의...