Fugu-MT 論文翻訳(概要): Rank-O-ToM: Unlocking Emotional Nuance Ranking to Enhance Affective Theory-of-Mind

論文の概要: Rank-O-ToM: Unlocking Emotional Nuance Ranking to Enhance Affective Theory-of-Mind

arxiv url: http://arxiv.org/abs/2503.16461v1
Date: Mon, 24 Feb 2025 05:04:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-30 09:25:11.127587
Title: Rank-O-ToM: Unlocking Emotional Nuance Ranking to Enhance Affective Theory-of-Mind
Title（参考訳）: Rank-O-ToM:感情的ニュアンスランキングを解き放つと、感情的理論が弱まる
Authors: JiHyun Kim, JuneHyoung Kwon, MiHyeon Kim, Eunju Lee, YoungBin Kim,
Abstract要約: 心の理論のための感情的ニュアンス(Rank-O-ToM)のランク付け(Rank-O-ToM)は、信頼度レベルを感情スペクトルと整合させるための順序的ランク付けを利用するフレームワークである。 Rank-O-ToMは感情のニュアンスな理解を強化し、感情的状態を推論するAIの能力を向上させる。
参考スコア（独自算出の注目度）: 7.098576908286076
License:
Abstract: Facial Expression Recognition (FER) plays a foundational role in enabling AI systems to interpret emotional nuances, a critical aspect of affective Theory of Mind (ToM). However, existing models often struggle with poor calibration and a limited capacity to capture emotional intensity and complexity. To address this, we propose Ranking the Emotional Nuance for Theory of Mind (Rank-O-ToM), a framework that leverages ordinal ranking to align confidence levels with the emotional spectrum. By incorporating synthetic samples reflecting diverse affective complexities, Rank-O-ToM enhances the nuanced understanding of emotions, advancing AI's ability to reason about affective states.
Abstract（参考訳）: 表情認識(FER)は、感情的感情理論(ToM)の重要な側面である感情的ニュアンスをAIシステムが解釈できるようにする上で、基礎的な役割を果たす。しかし、既存のモデルは、感情の強さと複雑さを捉えるのに、キャリブレーションが貧弱で限られた能力に苦しむことが多い。そこで本稿では,信頼度を感情スペクトルと整合させるために,序列ランキングを活用するフレームワークであるRank-O-ToM(Rank-O-ToM)を提案する。多様な感情の複雑さを反映した合成サンプルを組み込むことで、Rang-O-ToMは感情のニュアンスな理解を強化し、感情の状態を推論するAIの能力を向上させる。

関連論文リスト

ReflectDiffu:Reflect between Emotion-intent Contagion and Mimicry for Empathetic Response Generation via a RL-Diffusion Framework [5.135349405469574]
共感応答生成のための軽量フレームワークである ReflectDiffu を紹介する。感情の伝染を組み込んで感情の表現力を増強し、感情に反応するマスクを用いて重要な感情的要素を特定できる。感情的な意思決定を正確に意図的な行動に変換することで、感情的な誤認識に起因する共感的な反応の不一致に対処する。
論文参考訳（メタデータ） (2024-09-16T13:56:17Z)
Cause-Aware Empathetic Response Generation via Chain-of-Thought Fine-Tuning [12.766893968788263]
共感反応生成は、対話の文脈を理解し、表現された感情に反応する能力を持つエージェントを与える。先行研究は、主に話者の感情的ラベルを活用することに重点を置いているが、感情の重要性が原因の推論を無視している。そこで我々は,感情と原因をうまく設計したChain-of-Thoughtプロンプトを通じて統合した原因認識型共感生成手法を提案する。
論文参考訳（メタデータ） (2024-08-21T13:11:03Z)
CTSM: Combining Trait and State Emotions for Empathetic Response Model [2.865464162057812]
共感応答生成は、対話システムに話者の感情を知覚し、それに応じて共感応答を生成する。我々は,共感反応モデル(CTSM)のためのトラストと状態感情の組み合わせを提案する。対話における感情を十分に知覚するために、まず特徴と状態の感情の埋め込みを構築し、エンコードする。感情表現を誘導する感情誘導モジュールにより、感情知覚能力をさらに強化する。
論文参考訳（メタデータ） (2024-03-22T10:45:13Z)
Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
論文参考訳（メタデータ） (2024-01-12T16:42:10Z)
Rational Sensibility: LLM Enhanced Empathetic Response Generation Guided by Self-presentation Theory [8.439724621886779]
LLM(Large Language Models)の開発は、人間中心の人工知能(AGI)に希望の光を与えている。共感は人間にとって重要な感情的属性として機能し、人間中心のAGIにおいて不定の役割を果たす。本稿では,社会学における自己表現理論にインスパイアされた革新的なエンコーダモジュールを設計する。
論文参考訳（メタデータ） (2023-12-14T07:38:12Z)
Emotion Intensity and its Control for Emotional Voice Conversion [77.05097999561298]
感情音声変換(EVC)は、言語内容と話者のアイデンティティを保ちながら、発話の感情状態を変換しようとする。本稿では,感情の強さを明示的に表現し,制御することを目的とする。本稿では,話者スタイルを言語内容から切り離し,連続した空間に埋め込み,感情埋め込みのプロトタイプを形成するスタイルに符号化することを提案する。
論文参考訳（メタデータ） (2022-01-10T02:11:25Z)
Emotions as abstract evaluation criteria in biological and artificial intelligences [0.0]
機能レベルで感情を模倣するフレームワークを提案する。感情安定度(TAES)による時間割当に基づいて、感情を抽象的な基準として実装する。エージェントの長期的なゴールは、個々のタスクを選択する頻度を最適化することで、キャラクタと経験を一致させることである。
論文参考訳（メタデータ） (2021-11-30T10:49:04Z)
Emotion Recognition from Multiple Modalities: Fundamentals and Methodologies [106.62835060095532]
マルチモーダル感情認識(MER)のいくつかの重要な側面について論じる。まず、広く使われている感情表現モデルと感情モダリティの簡単な紹介から始める。次に、既存の感情アノテーション戦略とそれに対応する計算タスクを要約する。最後に,実世界のアプリケーションについて概説し,今後の方向性について論じる。
論文参考訳（メタデータ） (2021-08-18T21:55:20Z)
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)

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。