arXiv cs.CL· Ziyi Zhu, Olivier Tieleman, Caitlin A. Stamatis, Luka Smyth, Thomas D. Hull, Daniel R. Cahn, Jinghong Chen, Matteo Malgaroli·· 10 小时前AI 评分29
DIAL：用直接迭代对抗学习实现逼真的多轮对话模拟
DIAL: Direct Iterative Adversarial Learning for Realistic Multi-Turn Dialogue Simulation
AI 导读
研究者提出 Direct Iterative Adversarial Learning（DIAL），通过生成器（用户模拟器）与判别器的对抗动态迭代提升用户模拟器逼真度。在心理健康支持场景中，DIAL 恢复了监督微调削弱的词汇多样性，并大幅降低判别器准确率，使模拟失败发生率与真实失败发生率高度相关，同时保持较低的失败模式分布散度。
正文 · AI 翻译
摘要：逼真的用户模拟对于训练和评估多轮对话系统至关重要，然而构建能够准确复现人类行为的模拟器仍是一项重大挑战。有效的模拟器必须能够暴露被评估系统的失效模式。本工作提出直接迭代对抗学习（DIAL），这是一个对抗性框架，通过生成器（用户模拟器）与判别器之间的竞争性动态，迭代提升用户模拟器的逼真度。在心理健康支持这一具有多样失效类型、且高度依赖真实用户行为以检测失效的领域中应用时，DIAL 恢复了因监督微调而减弱的词汇多样性，并大幅降低了判别器的准确率。由此得到的模拟器在模拟与真实失效发生率之间表现出强相关性，同时保持失效模式的低分布散度。这些发现表明，DIAL 是一种在多轮对话中开发逼真用户模拟器的有前景的方法，有助于在部署前实现可靠且高性价比的系统评估。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2512.20773 [cs.CL] |
| （或 arXiv:2512.20773v5 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.20773 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Findings of the Association for Computational Linguistics: EMNLP 2026, pages 925-942, Budapest, Hungary, October 2026 |
| 相关 DOI： | https://doi.org/10.18653/2026.findings-emnlp.46
链接到相关资源的 DOI |
提交历史
来自：Ziyi Zhu [查看邮箱]
[v1]
2025年12月23日 星期二 21:21:08 UTC（241 KB）
[v2]
2026年1月5日 星期一 11:37:37 UTC（247 KB）
[v3]
2026年2月18日 星期三 18:41:36 UTC（244 KB）
[v4]
2026年5月6日 星期三 14:26:15 UTC（196 KB）
[v5]
2026年11月3日 星期二 21:09:41 UTC（204 KB）
来源：arXiv cs.CL · arxiv.org