論文の概要: Antagonistic Crowd Simulation Model Integrating Emotion Contagion and
Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2105.00854v1
- Date: Thu, 29 Apr 2021 01:18:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 13:36:11.725572
- Title: Antagonistic Crowd Simulation Model Integrating Emotion Contagion and
Deep Reinforcement Learning
- Title（参考訳）: 感情伝染と深層強化学習を統合した対角的集団シミュレーションモデル
- Authors: Pei Lv, Boya Xu, Chaochao Li, Qingqing Yu, Bing Zhou, Mingliang Xu
- Abstract要約: 複雑な感情が意思決定に影響を与えるメカニズム、特に突然の対立の環境では、まだ解明されていない。
感情的感染と深層強化学習を組み合わせた新たな対角的群集シミュレーションモデルを提案する。
その結果、感情は集団戦闘に重大な影響を与え、ポジティブな感情状態は戦闘に役立つことが証明されています。
- 参考スコア（独自算出の注目度）: 19.60008056384961
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The antagonistic behavior of the crowd often exacerbates the seriousness of
the situation in sudden riots, where the spreading of antagonistic emotion and
behavioral decision making in the crowd play very important roles. However, the
mechanism of complex emotion influencing decision making, especially in the
environment of sudden confrontation, has not yet been explored clearly. In this
paper, we propose one new antagonistic crowd simulation model by combing
emotional contagion and deep reinforcement learning (ACSED). Firstly, we build
a group emotional contagion model based on the improved SIS contagion disease
model, and estimate the emotional state of the group at each time step during
the simulation. Then, the tendency of group antagonistic behavior is modeled
based on Deep Q Network (DQN), where the agent can learn the combat behavior
autonomously, and leverages the mean field theory to quickly calculate the
influence of other surrounding individuals on the central one. Finally, the
rationality of the predicted behaviors by the DQN is further analyzed in
combination with group emotion, and the final combat behavior of the agent is
determined. The method proposed in this paper is verified through several
different settings of experiments. The results prove that emotions have a vital
impact on the group combat, and positive emotional states are more conducive to
combat. Moreover, by comparing the simulation results with real scenes, the
feasibility of the method is further verified, which can provide good reference
for formulating battle plans and improving the winning rate of righteous groups
battles in a variety of situations.
- Abstract（参考訳）: 群衆の敵意的な行動は、しばしば突然の暴動における状況の深刻さを悪化させ、群衆における敵意的な感情の拡散と行動決定が非常に重要な役割を果たす。
しかし、特に突然の対決の環境において、複雑な感情が意思決定に影響を及ぼすメカニズムはまだ解明されていない。
本稿では,感情の伝染と深層強化学習(ACSED)を併用した,新たな対角的群集シミュレーションモデルを提案する。
まず,改良されたsis伝染病モデルに基づく集団感情伝染モデルを構築し,シミュレーション中の各時間ステップにおける集団の感情状態を推定する。
次に、エージェントが自律的に戦闘行動を学ぶことができるディープQネットワーク(DQN)に基づいて集団対角行動の傾向をモデル化し、平均場理論を活用して、周囲の個人が中央に与える影響を迅速に計算する。
最後に、dqnによる予測行動の合理性をさらにグループ感情と組み合わせて分析し、エージェントの最終的な戦闘行動を決定する。
本論文で提案する手法は,いくつかの異なる実験で検証される。
その結果、感情が集団の戦闘に重要な影響を与えることが証明され、ポジティブな感情状態は戦闘に強いことが判明した。
さらに,シミュレーション結果を実シーンと比較することにより,戦闘計画の策定や,様々な状況下での正義集団戦闘の勝利率の向上に寄与する手法の有効性をさらに検証する。
関連論文リスト
- The Good, the Bad, and the Hulk-like GPT: Analyzing Emotional Decisions of Large Language Models in Cooperation and Bargaining Games [9.82711167146543]
本稿では,Large Language Models (LLMs) の意思決定に関する新しい方法論を紹介する。
感情がLLMのパフォーマンスに大きく影響を与え、より最適な戦略の開発につながることを示す。
驚くべきことに、感情的な刺激、特に怒りの感情は、GPT-4の「超人的」アライメントを妨害する可能性がある。
論文 参考訳（メタデータ） (2024-06-05T14:08:54Z) - ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains [61.50113532215864]
CEE(Causal Emotion Entailment)は、ターゲット発話で表現される感情を刺激する会話における因果発話を特定することを目的としている。
CEEにおける現在の研究は、主に会話のセマンティックな相互作用と感情的な相互作用をモデル化することに焦点を当てている。
本研究では,会話中の感情表現から刺激を推測するために,ステップバイステップの推論手法である感情・因果関係(ECR-Chain)を導入する。
論文 参考訳（メタデータ） (2024-05-17T15:45:08Z) - Computer Vision Estimation of Emotion Reaction Intensity in the Wild [1.5481864635049696]
本稿では,新たに導入された感情反応強度(ERI)推定課題について述べる。
視覚領域で訓練された4つのディープニューラルネットワークと、感情反応強度を予測するために視覚的特徴と音声的特徴の両方で訓練されたマルチモーダルモデルを開発した。
論文 参考訳（メタデータ） (2023-03-19T19:09:41Z) - Learning Goal-based Movement via Motivational-based Models in Cognitive
Mobile Robots [58.720142291102135]
人間は、強さと文脈に応じて行動を促進する必要がある。
また、各行動の知覚的快楽に関連する嗜好も作り出します。
これにより、意思決定がより複雑になり、コンテキストに応じてニーズと嗜好のバランスを取ることが求められます。
論文 参考訳（メタデータ） (2023-02-20T04:52:24Z) - Group Cohesion in Multi-Agent Scenarios as an Emergent Behavior [0.0]
本研究は,グループ・アフィリエイト,確実性,能力に対する本質的なニーズを持つインバインエージェントが,エージェント間の社会的行動の出現につながることを示す。
この行動は、グループ内のエージェントに対する利他主義と、グループ外のエージェントに対する敵対的な傾向を表現している。
論文 参考訳（メタデータ） (2022-11-03T18:37:05Z) - Play with Emotion: Affect-Driven Reinforcement Learning [3.611888922173257]
本稿では、強化学習プロセスとして、感情モデリングの課題を観ることによるパラダイムシフトを紹介する。
我々は,Go-Blendエージェントをトレーニングし,覚醒と行動の人間の実演をモデル化することで,レースゲームにおける仮説を検証した。
論文 参考訳（メタデータ） (2022-08-26T12:28:24Z) - Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。
提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
論文 参考訳（メタデータ） (2022-08-22T14:06:06Z) - Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。
既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。
視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
論文 参考訳（メタデータ） (2022-07-25T02:20:03Z) - A Circular-Structured Representation for Visual Emotion Distribution
Learning [82.89776298753661]
視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。
具体的には、まず感情圏を構築し、その内にある感情状態を統一する。
提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
論文 参考訳（メタデータ） (2021-06-23T14:53:27Z) - Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。
本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。
本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
論文 参考訳（メタデータ） (2021-04-20T16:55:15Z) - Unified Models of Human Behavioral Agents in Bandits, Contextual Bandits
and RL [28.38826379640553]
逐次的意思決定のためのより汎用的で柔軟なパラメトリック・フレームワークを提案する。
多くの精神疾患の既往の報酬処理異常にインスパイアされ、臨床にインスパイアされたエージェントは興味深い行動軌跡を示した。
論文 参考訳（メタデータ） (2020-05-10T01:43:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。