AIフィードバックによる強化学習を用いた音声対話システムにおける会話品質の最適化

要約

音声入出力対話システムの会話品質向上に向けた、AIフィードバックを用いた初のマルチ報酬強化学習（RLAIF）フレームワークです。意味、音声品質、感情の一貫性を組み合わせた報酬と、増分処理を行う二重通信モデルに適したDPO（直接選好最適化）手法を提案します。実験により、複数報酬による学習が会話の質を総合的に向上させることを示しました。

全文は有料プランで閲覧できます。