論文の概要: Human Behavior Atlas: Benchmarking Unified Psychological and Social Behavior Understanding

• arxiv url: http://arxiv.org/abs/2510.04899v1
• Date: Mon, 06 Oct 2025 15:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.931531
• Title: Human Behavior Atlas: Benchmarking Unified Psychological and Social Behavior Understanding
• Title（参考訳）: 人間行動アトラス:統一心理学的・社会的行動理解のベンチマーク
• Authors: Keane Ong, Wei Dai, Carol Li, Dewei Feng, Hengzhi Li, Jingyao Wu, Jiaee Cheong, Rui Mao, Gianmarco Mengaldo, Erik Cambria, Paul Pu Liang,
• Abstract要約: Human Behavior Atlasは、テキスト、オーディオ、視覚的モダリティにまたがる10万以上のサンプルで構成されている。 統合作業は冗長性とコストを低減し、タスク間の効率的なスケーリングを可能にし、ドメイン間の行動特徴の一般化を促進する。
• 参考スコア（独自算出の注目度）: 50.34821397821815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using intelligent systems to perceive psychological and social behaviors, that is, the underlying affective, cognitive, and pathological states that are manifested through observable behaviors and social interactions, remains a challenge due to their complex, multifaceted, and personalized nature. Existing work tackling these dimensions through specialized datasets and single-task systems often miss opportunities for scalability, cross-task transfer, and broader generalization. To address this gap, we curate Human Behavior Atlas, a unified benchmark of diverse behavioral tasks designed to support the development of unified models for understanding psychological and social behaviors. Human Behavior Atlas comprises over 100,000 samples spanning text, audio, and visual modalities, covering tasks on affective states, cognitive states, pathologies, and social processes. Our unification efforts can reduce redundancy and cost, enable training to scale efficiently across tasks, and enhance generalization of behavioral features across domains. On Human Behavior Atlas, we train three models: OmniSapiens-7B SFT, OmniSapiens-7B BAM, and OmniSapiens-7B RL. We show that training on Human Behavior Atlas enables models to consistently outperform existing multimodal LLMs across diverse behavioral tasks. Pretraining on Human Behavior Atlas also improves transfer to novel behavioral datasets; with the targeted use of behavioral descriptors yielding meaningful performance gains.
• Abstract（参考訳）: 知的システムを用いて心理的、社会的行動、すなわち、観察可能な行動や社会的相互作用を通じて表される感情的、認知的、病理的状態を認識することは、その複雑で多面的、パーソナライズされた性質のために依然として課題である。 特定のデータセットやシングルタスクシステムを通じてこれらの次元に対処する既存の作業は、スケーラビリティ、クロスタスク転送、より広範な一般化の機会を逃すことが多い。 このギャップに対処するために、心理学的・社会的行動を理解するための統一モデルの開発を支援するために設計された多様な行動タスクの統一されたベンチマークであるヒューマン・ビヘイビア・アトラス(Human Behavior Atlas)をキュレートする。 ヒューマン・ビヘイビア・アトラス(Human Behavior Atlas)は、感情状態、認知状態、病理、社会プロセスのタスクをカバーする、テキスト、音声、視覚的モダリティにまたがる10万以上のサンプルから構成される。 統合作業は冗長性とコストを低減し、タスク間の効率的なスケーリングを可能にし、ドメイン間の行動特徴の一般化を促進する。 人間行動アトラスでは、OmniSapiens-7B SFT、OmniSapiens-7B BAM、OmniSapiens-7B RLの3つのモデルを訓練する。 我々は,Human Behavior Atlasのトレーニングにより,モデルが既存のマルチモーダルLLMを多様な行動タスクで一貫して上回ることを示す。 人間の行動に関する事前訓練は、新しい行動データセットへの移行も改善する。

関連論文リスト

• From Actions to Kinesics: Extracting Human Psychological States through Bodily Movements [1.2676356746752893]
  本稿では3次元骨格関節データから人間の活動のコミュニケーション機能を推定するキネシクス認識フレームワークを提案する。 Dyadic User EngagemenT データセットで得られた結果は、この手法により、スケーラブルで、正確で、人間中心の行動モデリングが可能になることを実証している。
  論文  参考訳（メタデータ） (2025-10-06T14:31:53Z)
• Self-Supervised Learning-Based Multimodal Prediction on Prosocial Behavior Intentions [6.782784535456252]
  社会的行動のための大きなラベル付きデータセットは存在しない。 小規模なデータセットは、ディープラーニングモデルを効果的にトレーニングすることを困難にします。 マルチモーダルデータを利用した自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-11T00:49:46Z)
• Emergent Active Perception and Dexterity of Simulated Humanoids from Visual Reinforcement Learning [69.71072181304066]
  本稿では,擬似ヒューマノイドを用いた視覚駆動全身制御フレームワークであるPerceptive Dexterous Control (PDC)を紹介する。 PDCは、タスク仕様のためのエゴセントリックなビジョンのみを運用し、ビジュアルキューによるオブジェクト検索、ターゲット配置、スキル選択を可能にする。 強化学習によるスクラッチからのトレーニングは,能動探索などの創発的な行動を引き起こす可能性があることを示す。
  論文  参考訳（メタデータ） (2025-05-18T07:33:31Z)
• Social Motion Prediction with Cognitive Hierarchies [19.71780279070757]
  我々は新しいベンチマーク、新しい定式化、認知に触発されたフレームワークを紹介する。 We present Wusi, a 3D multi-person motion data under the context of team sports。 戦略的社会的相互作用を予測するための認知階層構造を構築した。
  論文  参考訳（メタデータ） (2023-11-08T14:51:17Z)
• LISBET: a machine learning model for the automatic segmentation of social behavior motifs [0.0]
  LISBET(LISBET Is a Social BEhavior Transformer)は,社会的相互作用の検出とセグメンテーションのための機械学習モデルである。 身体追跡データを用いた自己教師型学習により,広範囲な人的アノテーションの必要性を排除した。 生体内電気生理学的には,本モデルで同定されたモチーフに対応する腹側歯根膜領域の神経信号が明瞭であった。
  論文  参考訳（メタデータ） (2023-11-07T15:35:17Z)
• Learning to Influence Human Behavior with Offline Reinforcement Learning [70.7884839812069]
  人間の準最適性を捉える必要があるような環境での影響に焦点を当てる。 人間によるオンライン実験は安全ではない可能性があり、環境の高忠実度シミュレータを作成することは現実的ではないことが多い。 オフライン強化学習は、観察された人間・人間の行動の要素を拡張し、組み合わせることで、人間に効果的に影響を及ぼすことができることを示す。
  論文  参考訳（メタデータ） (2023-03-03T23:41:55Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• The world seems different in a social context: a neural network analysis of human experimental data [57.729312306803955]
  本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。 トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
  論文  参考訳（メタデータ） (2022-03-03T17:19:12Z)
• PHASE: PHysically-grounded Abstract Social Events for Machine Social Perception [50.551003004553806]
  私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。 フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。 ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
  論文  参考訳（メタデータ） (2021-03-02T18:44:57Z)

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。