論文の概要: Affective Manifolds: Modeling Machine's Mind to Like, Dislike, Enjoy,
Suffer, Worry, Fear, and Feel Like A Human
- arxiv url: http://arxiv.org/abs/2208.13386v1
- Date: Mon, 29 Aug 2022 06:30:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 13:25:31.875325
- Title: Affective Manifolds: Modeling Machine's Mind to Like, Dislike, Enjoy,
Suffer, Worry, Fear, and Feel Like A Human
- Title（参考訳）: Affective Manifolds: マシンの心をモデル化する: 好き嫌い、喜び、悲しみ、恐怖、恐怖、そして人間のように
- Authors: Benyamin Ghojogh
- Abstract要約: 機械の心の構成要素として感情多様体を提案する。
学習モデルを用いて、入力信号を感情多様体の埋め込み空間にマッピングする。
感情多様体は機械と機械の相互作用や人間と機械の相互作用に様々な応用があることを示す。
- 参考スコア（独自算出の注目度）: 5.391157046071793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: After the development of different machine learning and manifold learning
algorithms, it may be a good time to put them together to make a powerful mind
for machine. In this work, we propose affective manifolds as components of a
machine's mind. Every affective manifold models a characteristic group of mind
and contains multiple states. We define the machine's mind as a set of
affective manifolds. We use a learning model for mapping the input signals to
the embedding space of affective manifold. Using this mapping, a machine or a
robot takes an input signal and can react emotionally to it. We use deep metric
learning, with Siamese network, and propose a loss function for affective
manifold learning. We define margins between states based on the psychological
and philosophical studies. Using triplets of instances, we train the network to
minimize the variance of every state and have the desired distances between
states. We show that affective manifolds can have various applications for
machine-machine and human-machine interactions. Some simulations are also
provided for verification of the proposed method. It is possible to have as
many affective manifolds as required in machine's mind. More affective
manifolds in the machine's mind can make it more realistic and effective. This
paper opens the door; we invite the researchers from various fields of science
to propose more affective manifolds to be inserted in machine's mind.
- Abstract（参考訳）: 異なる機械学習と多様体学習アルゴリズムの開発の後、それらをまとめてマシンの強力なマインドを作るのに適した時期かもしれない。
本研究では,機械心の構成要素として感情多様体を提案する。
すべての情動多様体は心の特徴的な群をモデル化し、複数の状態を含む。
我々は機械の心を感情多様体の集合として定義する。
入力信号を感情多様体の埋め込み空間にマッピングするために学習モデルを用いる。
このマッピングを使って、機械やロボットは入力信号を受信し、それに感情的に反応する。
siamese networkを用いて深層メトリック学習を行い,情動多様体学習のための損失関数を提案する。
我々は国家間のマージンを心理学的・哲学的研究に基づいて定義する。
インスタンスのトリプルを使用して、各状態のばらつきを最小限に抑え、状態間の所望距離を持つようにネットワークを訓練する。
情動多様体は機械-機械間相互作用や人間-機械間相互作用に様々な応用ができることを示す。
また,提案手法の検証のためのシミュレーションも行った。
機械の心に必要となるほど多くの情動多様体を持つことができる。
マシンの心の中のより感情的な多様体は、より現実的で効果的である。
本稿では,様々な科学分野の研究者を招き,機械の心にもっと感情的な多様体を挿入することを提案する。
関連論文リスト
- Neural feels with neural fields: Visuo-tactile perception for in-hand
manipulation [57.60490773016364]
マルチフィンガーハンドの視覚と触覚を組み合わせることで,手動操作時の物体の姿勢と形状を推定する。
提案手法であるNeuralFeelsは,ニューラルネットワークをオンラインで学習することでオブジェクトの形状を符号化し,ポーズグラフ問題を最適化して共同で追跡する。
私たちの結果は、タッチが少なくとも、洗練され、そして最も最良のものは、手動操作中に視覚的推定を曖昧にすることを示しています。
論文 参考訳（メタデータ） (2023-12-20T22:36:37Z) - Emotion Analysis on EEG Signal Using Machine Learning and Neural Network [0.0]
本研究の目的は,脳信号を用いた感情認識能力の向上である。
人間と機械の相互作用技術への様々なアプローチは長い間進行中であり、近年では脳信号を使って感情を自動的に理解することに成功した。
論文 参考訳（メタデータ） (2023-07-09T09:50:34Z) - Tactile-Filter: Interactive Tactile Perception for Part Mating [54.46221808805662]
人間は触覚と触覚に頼っている。
視覚ベースの触覚センサーは、様々なロボット認識や制御タスクに広く利用されている。
本稿では,視覚に基づく触覚センサを用いた対話的知覚手法を提案する。
論文 参考訳（メタデータ） (2023-03-10T16:27:37Z) - What Images are More Memorable to Machines? [87.14558566342322]
人間と同様、機械は特定の種類の画像を記憶する傾向があるが、機械と人間の画像の種類は異なる。
本研究は,機械記憶可能性の概念を提案し,マシンメモリと視覚データとのインタフェースに新たな研究方向を開く。
論文 参考訳（メタデータ） (2022-11-14T18:48:08Z) - Teaching Robots to Span the Space of Functional Expressive Motion [46.00279663161918]
トラジェクトリがValence-Arousal-Dominance (VAD) にどのようにマッピングされるかのモデルを学ぶ。
すべてのユーザフィードバックは、すべての感情について学ぶのに役立ちます。
ロボットは、ユーザーが生成した自然言語に動機的に反応することができる。
論文 参考訳（メタデータ） (2022-03-04T02:02:02Z) - A Differentiable Recipe for Learning Visual Non-Prehensile Planar
Manipulation [63.1610540170754]
視覚的非包括的平面操作の問題に焦点をあてる。
本稿では,ビデオデコードニューラルモデルと接触力学の先行情報を組み合わせた新しいアーキテクチャを提案する。
モジュラーで完全に差別化可能なアーキテクチャは、目に見えないオブジェクトやモーションの学習専用手法よりも優れていることが分かりました。
論文 参考訳（メタデータ） (2021-11-09T18:39:45Z) - Learning User-Preferred Mappings for Intuitive Robot Control [28.183430654834307]
そこで本研究では,ロボットのクエリから,人間の好みのマッピングや事前認識のマッピングを学習する手法を提案する。
我々は、人間の地図に強い先行性があることを認識して、このアプローチをデータ効率良くする。
シミュレーションおよび実験結果から,入力とロボット動作のマッピングを学習することで,客観的および主観的パフォーマンスが向上することが示唆された。
論文 参考訳（メタデータ） (2020-07-22T18:54:35Z) - Machine Common Sense [77.34726150561087]
機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである
本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
論文 参考訳（メタデータ） (2020-06-15T13:59:47Z) - Brain-inspired self-organization with cellular neuromorphic computing
for multimodal unsupervised learning [0.0]
本稿では,自己組織マップとヘビアン様学習を用いた再突入理論に基づく脳刺激型ニューラルシステムを提案する。
システムトポロジがユーザによって固定されるのではなく,自己組織化によって学習されるような,いわゆるハードウェアの可塑性の獲得について述べる。
論文 参考訳（メタデータ） (2020-04-11T21:02:45Z) - Do Deep Minds Think Alike? Selective Adversarial Attacks for
Fine-Grained Manipulation of Multiple Deep Neural Networks [9.277656431533325]
同じ分類問題を解決するために割り当てられた複数の機械学習システムを考えると、これらの出力を複数の機械学習システムで操作する入力信号に対する摂動を構築することは可能か?
我々は、新しい最適化問題として「選択的騙し」の問題を定式化し、MNISTデータセットに関する一連の実験について報告する。
このことは、2つの名目上等価な機械学習システムが実際には「似たような」ものではないことを示唆し、多くの新しい応用の可能性を開くことを示唆している。
論文 参考訳（メタデータ） (2020-03-26T10:00:33Z)
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。