論文の概要: Towards Closed-Loop Embodied Empathy Evolution: Probing LLM-Centric Lifelong Empathic Motion Generation in Unseen Scenarios

• arxiv url: http://arxiv.org/abs/2512.19551v1
• Date: Mon, 22 Dec 2025 16:31:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.84089
• Title: Towards Closed-Loop Embodied Empathy Evolution: Probing LLM-Centric Lifelong Empathic Motion Generation in Unseen Scenarios
• Title（参考訳）: 閉ループ心電図のエンパシー進化に向けて--LLM-Centric Lifelong Empathic Motion Generation in Unseen Scenarios (特集 閉ループ心電図)
• Authors: Jiawen Wang, Jingjing Wang Tianyang Chen, Min Zhang, Guodong Zhou,
• Abstract要約: 本稿では, LLM-Centric Lifelong Empathic Motion Generation (L2-EMG) タスクを提案する。 LLMに、さまざまな未知のシナリオにまたがって、感情的なモーション生成の知識を継続的に獲得する能力を持たせることを目的としている。
• 参考スコア（独自算出の注目度）: 27.835020285086603
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In the literature, existing human-centric emotional motion generation methods primarily focus on boosting performance within a single scale-fixed dataset, largely neglecting the flexible and scale-increasing motion scenarios (e.g., sports, dance), whereas effectively learning these newly emerging scenarios can significantly enhance the model's real-world generalization ability. Inspired by this, this paper proposes a new LLM-Centric Lifelong Empathic Motion Generation (L^2-EMG) task, which aims to equip LLMs with the capability to continually acquire emotional motion generation knowledge across different unseen scenarios, potentially contributing to building a closed-loop and self-evolving embodied agent equipped with both empathy and intelligence. Further, this paper poses two key challenges in the L^2-EMG task, i.e., the emotion decoupling challenge and the scenario adapting challenge. To this end, this paper proposes an Emotion-Transferable and Scenario-Adapted Mixture of Experts (ES-MoE) approach which designs a causal-guided emotion decoupling block and a scenario-adapted expert constructing block to address the two challenges, respectively. Especially, this paper constructs multiple L^2-EMG datasets to validate the effectiveness of the ES-MoE approach. Extensive evaluations show that ES-MoE outperforms advanced baselines.
• Abstract（参考訳）: 文献では、既存の人間中心の感情的な動き生成手法は、主に1つのスケールで固定されたデータセット内のパフォーマンス向上に重点を置いており、フレキシブルでスケールの増大する動きシナリオ(スポーツ、ダンスなど)を無視している。 そこで本論文は,LLMを多種多様なシナリオにまたがって継続的に感情的な動きを生成する能力を備えたLLM-Centric Lifelong Empathic Motion Generation (L^2-EMG)タスクを提案し,共感と知性の両方を備えた閉ループ・自己進化型エンボディエージェントの構築に寄与する可能性がある。 さらに,L^2-EMG課題,すなわち感情分離課題とシナリオ適応課題の2つの重要な課題を示す。 そこで本稿では,2つの課題にそれぞれ対処するために,因果的な感情分離ブロックとシナリオ適応型専門家構築ブロックを設計するES-MoE(Emotion-Transferable and Scenario-Adapted Mixture of Experts)アプローチを提案する。 本稿では,複数のL^2-EMGデータセットを構築し,ES-MoE手法の有効性を検証する。 大規模な評価の結果、ES-MoEは高度なベースラインよりも優れていた。

関連論文リスト

• Don't Get Too Excited -- Eliciting Emotions in LLMs [1.8399318639816038]
  本稿では,大規模言語モデル(LLM)における影響制御の課題について考察する。 我々は,その感情表現範囲を評価するために,最先端のオープンウェイトLLMを評価した。 モデルの能力を定量化し、幅広い感情のスペクトルを表現し、相互作用の間どのように変動するかを定量化する。
  論文  参考訳（メタデータ） (2025-03-04T10:06:41Z)
• Identifying and Manipulating Personality Traits in LLMs Through Activation Engineering [0.0]
  本研究は「アクティベーション・エンジニアリング」の新たなアプローチに基づくものである。 我々は,アクティベーションエンジニアリングを活用し,性格特性に関連するアクティベーション方向を識別・調整する手法を開発した。
  論文  参考訳（メタデータ） (2024-12-10T23:15:25Z)
• MARS: Benchmarking the Metaphysical Reasoning Abilities of Language Models with a Multi-task Evaluation Dataset [50.36095192314595]
  大きな言語モデル(LLM)は、一般化可能な推論能力を持つ意識的なエージェントとして機能する。 この能力は、イベントにおける無限の可能な変更をモデル化する複雑さのために、まだ探索されていない。 我々は,各ステップに対応する3つのタスクからなる最初のベンチマークMARSを紹介する。
  論文  参考訳（メタデータ） (2024-06-04T08:35:04Z)
• Evolutionary Multi-Objective Optimization of Large Language Model Prompts for Balancing Sentiments [0.0]
  EMO-Promptsと呼ばれる迅速な最適化に適した進化的多目的(EMO)アプローチを提案する。 EMO-Prompts は,2つの矛盾する感情を同時に表わしたテキストを生成するために LLM を誘導できるプロンプトを効果的に生成することを示した。
  論文  参考訳（メタデータ） (2024-01-18T10:21:15Z)
• 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)
• Building Emotional Support Chatbots in the Era of LLMs [64.06811786616471]
  我々は,Large Language Models (LLMs) の計算能力で人間の洞察を合成する革新的な方法論を導入する。 また,ChatGPTの文脈内学習の可能性を利用して,ExTESと呼ばれる感情支援対話データセットを生成する。 次に、LLaMAモデルに高度なチューニング手法を展開し、多様なトレーニング戦略の影響を検証し、最終的に感情的支援の相互作用に細心の注意を払ってLLMを出力する。
  論文  参考訳（メタデータ） (2023-08-17T10:49:18Z)

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。