[논문 리뷰] Deriving Character Logic from Storyline as Codified Decision Trees

Letian Peng, Kun Zhou외 3명|arXiv (Cornell University)|2026. 01. 15.

Artificial Intelligence in Games인용 수 0

한 줄 요약

본 논문은 Codified Decision Trees (CDT)를 소개하는데, 이는 이야기로부터 실행 가능하고 상황 인식적인 캐릭터 프로필을 유도하는 데이터 기반 프레임워크이며, CDT가 여러 RP 벤치마크에서 baselines와 인간이 작성한 프로필을 능가함을 보여준다.

ABSTRACT

Role-playing (RP) agents rely on behavioral profiles to act consistently across diverse narrative contexts, yet existing profiles are largely unstructured, non-executable, and weakly validated, leading to brittle agent behavior. We propose Codified Decision Trees (CDT), a data-driven framework that induces an executable and interpretable decision structure from large-scale narrative data. CDT represents behavioral profiles as a tree of conditional rules, where internal nodes correspond to validated scene conditions and leaves encode grounded behavioral statements, enabling deterministic retrieval of context-appropriate rules at execution time. The tree is learned by iteratively inducing candidate scene-action rules, validating them against data, and refining them through hierarchical specialization, yielding profiles that support transparent inspection and principled updates. Across multiple benchmarks, CDT substantially outperforms human-written profiles and prior profile induction methods on $85$ characters across $16$ artifacts, indicating that codified and validated behavioral representations lead to more reliable agent grounding.

연구 동기 및 목표

• interpretable, executable profiles로 grounding된 역할 수행 에이전트를 동기부여한다.
• 대규모 서사 자료에서 형식화된 규칙 기반의 캐릭터 행동을 자동으로 도출한다.
• 行为 규칙의 투명한 검사, 편집, 원칙적 업데이트를 가능하게 한다.
• CDT의 우수성을 인간이 작성한 프로필 및 다른 프로파일링 방법과 여러 벤치마크에서 보여준다.

제안 방법

• semantic 임베딩으로 장면-행동 쌍을 클러스터링하여 규칙성 surface를 도출한다.
• 클러스터 내에서 if-then 트리거를 제안하여 코디드 규칙을 형성한다.
• 전체 데이터셋에서 가설적 트리거를 검증하고 CDT를 재귀적으로 확장한다.
• 추론 시 CDT를 순회하며 구분 가능한 질문에 답하고 행동 생성을 위한 grounded 진술을 축적한다.
• Vanilla prompting, Fine-tuning, RICL, ETA를 포함한 벤치마크에서 CDT를 비교한다.
• ablation 및 변형(CDT-Lite, Wikified/Verbalized CDT)과 데이터 증가에 따른 확장성을 분석한다.

실험 결과

연구 질문

• RQ1 스토리라인에서 도출된 코디드, 실행 가능한 규칙이 전통적 텍스트 프로필보다 RP의 grounding에 더 효과적일 수 있는가?
• RQ2 계층적이고 검증된 CDT 구조가 다양한 캐릭터와.artifacts에서 행동 예측을 개선하는가?
• RQ3 CDT가 인간이 작성한 프로필 및 코디드 인간 프로필과 다양한 벤치마크와 데이터 규모에서 어떻게 비교되는가?
• RQ4 클러스터링, 다변화, 깊이와 같은 CDT 구성 요소가 성능 및 확장성에 어떤 영향을 미치는가?
• RQ5 목표 지향적이거나 관계 특정한 프로파일링으로 CDT를 적응시켜 타깃 행동을 포착할 수 있는가?

주요 결과

Artifact Group	Vanilla	Fine-tuning	RICL	ETA	CDT (Ours)	CDT-Lite (Ours)	Human Profile	Codified Human Profile
Fandom Avg	55.57	45.68	56.01	56.91	60.82	61.01	58.33	59.30
Bandori Avg	65.50	62.86	68.86	72.25	77.71	79.04	71.28	71.87

• CDT 및 CDT-Lite는 미세하게 설정된 Fandom 및 Bandori 벤치마크에서 최상의 NLI 점수를 달성하며 Vanilla prompting, Fine-tuning, RICL 및 ETA를 능가한다.
• CDT 및 CDT-Lite는 두 벤치마크에서 인간이 작성한 프로필 및 코디드 인간 프로필도 능가한다.
• 더 많은 학습 데이터가 CDT 성능을 강화하며, Fandom에서 modest 데이터로도 인간 프로필을 능가하고 Bandori에서도 지속적으로 이득을 얻는다.
• ablations는 명시적 검증과 깊이가 더 강한 grounding에 기여함을 보이며, 클러스터링 제거나 다변화 제거는 성능을 저하시킨다.
• Wikified 및 Verbalized CDT 변형도 강한 성능을 유지하며 런타임 순회를 필요로 하지 않는 텍스트 표현을 제공한다.
• 관계 주도형 CDT(목표 지향)가 특정 관계 하위 집합에서 성능을 향상시키며 CDT가 행동을 전문화할 수 있음을 시사한다.