論文の概要: Free energy model of emotional valence in dual-process perceptions
- arxiv url: http://arxiv.org/abs/2210.10262v2
- Date: Fri, 21 Oct 2022 06:36:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 10:56:12.786971
- Title: Free energy model of emotional valence in dual-process perceptions
- Title（参考訳）: 二重過程知覚における感情価の自由エネルギーモデル
- Authors: Hideyoshi Yanagisawa, Xiaoxiang Wu, Kazutaka Ueda, Takeo Kato
- Abstract要約: 適切な覚醒レベルは肯定的な感情を誘発し、高い覚醒電位は否定的な感情を引き起こす。
本稿では,人間の認知の二重過程における覚醒ポテンシャル変化の数学的枠組みを提案する。
ベイズ事前の変更として, 自動過程から制御過程への移行を二重過程で定式化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: An appropriate level of arousal induces positive emotions, and a high arousal
potential may provoke negative emotions. To explain the effect of arousal on
emotional valence, we propose a novel mathematical framework of arousal
potential variations in the dual process of human cognition: automatic and
controlled. A suitable mathematical formulation to explain the emotions in the
dual process is still absent. Our model associates free energy with arousal
potential and its variations to explain emotional valence. Decreasing and
increasing free energy consequently induce positive and negative emotions,
respectively. We formalize a transition from the automatic to the controlled
process in the dual process as a change of Bayesian prior. Further, we model
emotional valence using free energy increase (FI) when one tries changing one's
Bayesian prior and its reduction (FR) when one succeeds in recognizing the same
stimuli with a changed prior and define three emotions: "interest,"
"confusion," and "boredom" using the variations. The results of our
mathematical analysis comparing various Gaussian model parameters reveals the
following: 1) prediction error (PR) increases FR (representing "interest") when
the first prior variance is greater than the second prior variance, 2) PR
decreases FR when the first prior variance is less than the second prior
variance, and 3) the distance between priors' means always increases FR. We
also discuss the association of the outcomes with emotions in the controlled
process. The proposed mathematical model provides a general framework for
predicting and controlling emotional valence in the dual process that varies
with viewpoint and stimuli, as well as for understanding the contradictions in
the effects of arousal on the valence.
- Abstract（参考訳）: 適切なレベルの覚醒はポジティブな感情を誘発し、高い覚醒電位はネガティブな感情を引き起こす可能性がある。
本研究では,感情的ヴァレンスに対する覚醒の影響を説明するために,人間の認知の二重過程における覚醒電位変化の新たな数学的枠組みを提案する。
双対過程における感情を説明するのに適切な数学的定式化はまだ存在しない。
我々のモデルは自由エネルギーと覚醒電位とその変動を関連付けて感情的ヴァレンスを説明する。
自由エネルギーの減少と増大は、それぞれ正の感情と負の感情を引き起こす。
ベイズ事前の変更として, 自動過程から制御過程への移行を二重過程で定式化する。
さらに,同じ刺激を前もって認識するのに成功した場合,自由エネルギー増加(fi)とその低減(fr)を用いて感情のヴァレンスをモデル化し,その変化を用いて「興味」,「融合」,「退屈」の3つの感情を定義した。
ガウスモデルパラメータを比較した数学的解析の結果,以下のことが判明した。
1) 予測誤差(pr)は、第1の事前分散が第2の事前分散より大きい場合にfr(「興味」を表す)を増加させる。
2)PRは、第1の先行分散が第2の先行分散より小さい場合にFRを減少させ、
3) 前者間の距離は常にFRを増加させる。
また、制御過程における結果と感情との関連についても論じる。
提案する数学的モデルは、視点と刺激によって異なる2つのプロセスにおける感情的ヴァレンスを予測・制御するための一般的な枠組みを提供するとともに、覚醒がヴァレンスに与える影響の矛盾を理解するためのものである。
関連論文リスト
- Free Energy in a Circumplex Model of Emotion [3.4250441939241063]
感情科学では、感情はしばしば多次元として表現される。
本研究では,感情を2次元の原子価と覚醒スペクトルにマッピングすることで,感情の円積モデルを採用することを提案する。
情緒的状態において,先行と対象存在の操作が常識的変動をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-02T17:52:25Z) - 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) - Improved Text Emotion Prediction Using Combined Valence and Arousal Ordinal Classification [37.823815777259036]
テキストから感情を分類する手法を導入し,様々な感情の相違点と相違点を認識・区別する。
提案手法は感情予測において高い精度を保ちながら,誤分類の場合の誤りの程度を著しく低減する。
論文 参考訳（メタデータ） (2024-04-02T10:06:30Z) - The Good, The Bad, and Why: Unveiling Emotions in Generative AI [73.94035652867618]
EmotionPromptはAIモデルの性能を向上し、EmotionAttackはそれを妨げうることを示す。
EmotionDecodeによると、AIモデルは人間の脳内のドーパミンのメカニズムに似た感情的な刺激を理解することができる。
論文 参考訳（メタデータ） (2023-12-18T11:19:45Z) - Empathetic Response Generation via Emotion Cause Transition Graph [29.418144401849194]
共感的対話は、感情的要因(例えば、感情の状態)と認知的要因(例えば、感情の原因)の両方の知覚を必要とする人間のような行動である。
共感対話における2つのターン間の感情原因の自然な遷移を明示的にモデル化する感情原因遷移グラフを提案する。
このグラフでは、次のターンで生じる感情の概念語を、特殊に設計された概念認識デコーダによって予測し、使用し、共感的な応答を生成する。
論文 参考訳（メタデータ） (2023-02-23T05:51:17Z) - An Ensemble Approach for Facial Expression Analysis in Video [5.363490780925308]
本稿では,ABAW3 2022の課題について紹介する。
論文は問題の解決に焦点を当てている。
価-覚醒推定とアクションユニット検出。
論文 参考訳（メタデータ） (2022-03-24T07:25:23Z) - Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。
我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。
実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2021-09-04T08:14:52Z) - 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) - Emotion pattern detection on facial videos using functional statistics [62.997667081978825]
顔面筋運動の有意なパターンを抽出する機能的ANOVAに基づく手法を提案する。
感情群間の表現に時間的差があるかどうかを関数fテストを用いて判定する。
論文 参考訳（メタデータ） (2021-03-01T08:31:08Z) - Modality-Transferable Emotion Embeddings for Low-Resource Multimodal
Emotion Recognition [55.44502358463217]
本稿では、上記の問題に対処するため、感情を埋め込んだモダリティ変換可能なモデルを提案する。
我々のモデルは感情カテゴリーのほとんどで最先端のパフォーマンスを達成する。
私たちのモデルは、目に見えない感情に対するゼロショットと少数ショットのシナリオにおいて、既存のベースラインよりも優れています。
論文 参考訳（メタデータ） (2020-09-21T06:10:39Z)
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。