Fugu-MT 論文翻訳(概要): Emotion in Cognitive Architecture: Emergent Properties from Interactions with Human Emotion

論文の概要: Emotion in Cognitive Architecture: Emergent Properties from Interactions with Human Emotion

arxiv url: http://arxiv.org/abs/2301.00003v1
Date: Wed, 28 Dec 2022 23:50:27 GMT
ステータス: 処理完了
システム内更新日: 2023-01-09 02:41:53.599795
Title: Emotion in Cognitive Architecture: Emergent Properties from Interactions with Human Emotion
Title（参考訳）: 認知アーキテクチャにおける感情--人間の感情との相互作用からの創発的特性
Authors: Junya Morita
Abstract要約: この文書は、計算認知アーキテクチャにおける感情を表現するための取り組みを示す。認知的人間とエージェントの相互作用のアプローチの利点は、人間の内的状態とプロセスを表現することである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This document presents endeavors to represent emotion in a computational cognitive architecture. The first part introduces research organizing with two axes of emotional affect: pleasantness and arousal. Following this basic of emotional components, the document discusses an aspect of emergent properties of emotion, showing interaction studies with human users. With these past author's studies, the document concludes that the advantage of the cognitive human-agent interaction approach is in representing human internal states and processes.
Abstract（参考訳）: この文書は、計算認知アーキテクチャにおける感情を表現するための取り組みを示す。第1部では,感情的感情の軸である快感と覚醒の2つの研究について紹介する。この感情的要素の基本に従えば、この文書は感情の創発的特性の側面を論じ、人間のユーザとのインタラクション研究を示す。これらの過去の著者の研究により、認知的人間-エージェント相互作用アプローチの利点は、人間の内的状態とプロセスを表現することであると結論付けている。

関連論文リスト

SemEval-2024 Task 3: Multimodal Emotion Cause Analysis in Conversations [53.60993109543582]
SemEval-2024 Task 3 "Multimodal Emotion Cause Analysis in Conversations" は、会話からすべての感情とそれに対応する原因を抽出することを目的としている。異なるモダリティ設定の下では、2つのサブタスクから構成される: 会話におけるテキスト感情因果ペア抽出(TECPE)と会話におけるマルチモーダル感情因果ペア抽出(MECPE)である。本稿では,タスク,データセット,評価設定について紹介し,トップチームのシステムを要約し,参加者の知見について議論する。
論文参考訳（メタデータ） (2024-05-19T09:59:00Z)
Exploring Emotions in Multi-componential Space using Interactive VR Games [1.1510009152620668]
インタラクティブバーチャルリアリティ(VR)ゲームを用いたデータ駆動型アプローチを運用した。機械学習(ML)手法を用いて、各コンポーネントの感情分化に対するユニークな貢献を識別した。これらの知見は、感情研究におけるVR環境の利用にも影響する。
論文参考訳（メタデータ） (2024-04-04T06:54:44Z)
Emotion Recognition based on Psychological Components in Guided Narratives for Emotion Regulation [0.0]
本稿では,感情制御のためのアンケートを用いて収集した感情的感情の新たなコーパスを紹介する。本研究では,コンポーネントの相互作用とその感情分類への影響について,機械学習手法と事前学習言語モデルを用いて検討する。
論文参考訳（メタデータ） (2023-05-15T12:06:31Z)
SOLVER: Scene-Object Interrelated Visual Emotion Reasoning Network [83.27291945217424]
画像から感情を予測するために,SOLVER(Scene-Object Interrelated Visual Emotion Reasoning Network)を提案する。異なるオブジェクト間の感情関係を掘り下げるために、まずセマンティックな概念と視覚的特徴に基づいて感情グラフを構築します。また、シーンとオブジェクトを統合するScene-Object Fusion Moduleを設計し、シーンの特徴を利用して、提案したシーンベースのアテンションメカニズムでオブジェクトの特徴の融合プロセスを導出する。
論文参考訳（メタデータ） (2021-10-24T02:41:41Z)
Emotion Recognition under Consideration of the Emotion Component Process Model [9.595357496779394]
我々はScherer (2005) による感情成分プロセスモデル (CPM) を用いて感情コミュニケーションを説明する。 CPMは、感情は、出来事、すなわち主観的感情、認知的評価、表現、生理的身体反応、動機的行動傾向に対する様々なサブコンポーネントの協調過程であると述べている。 Twitter上での感情は、主に出来事の説明や主観的な感情の報告によって表現されているのに対し、文献では、著者はキャラクターが何をしているかを記述し、解釈を読者に任せることを好む。
論文参考訳（メタデータ） (2021-07-27T15:53:25Z)
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-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-06-06T06:26:15Z)
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)
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)
A Multi-Componential Approach to Emotion Recognition and the Effect of Personality [0.0]
本稿では,映画視聴中に引き起こされた感情体験を特徴付けるために,データ駆動型アプローチによる構成的枠組みを適用した。その結果、様々な感情の違いは、数次元(少なくとも6次元)で捉えられることが示唆された。その結果、限定的な記述子数を持つ成分モデルでは、経験的な離散的感情のレベルを予測できることがわかった。
論文参考訳（メタデータ） (2020-10-22T01:27:23Z)

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。