論文の概要: Large Emotional World Model

• arxiv url: http://arxiv.org/abs/2512.24149v1
• Date: Tue, 30 Dec 2025 11:26:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.365079
• Title: Large Emotional World Model
• Title（参考訳）: 大規模情緒的世界モデル
• Authors: Changhao Song, Yazhou Zhang, Hui Gao, Chang Yang, Peng Zhang,
• Abstract要約: 世界モデルは、世界の現在の状態を理解し、将来のダイナミクスを予測するツールとして機能する。 本稿では,感情を因果関係に組み込むLarge Emotional World Model (LEWM)を提案する。 実験の結果,LEWMは感情駆動型社会的行動をより正確に予測できることがわかった。
• 参考スコア（独自算出の注目度）: 11.842554027914515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World Models serve as tools for understanding the current state of the world and predicting its future dynamics, with broad application potential across numerous fields. As a key component of world knowledge, emotion significantly influences human decision-making. While existing Large Language Models (LLMs) have shown preliminary capability in capturing world knowledge, they primarily focus on modeling physical-world regularities and lack systematic exploration of emotional factors. In this paper, we first demonstrate the importance of emotion in understanding the world by showing that removing emotionally relevant information degrades reasoning performance. Inspired by theory of mind, we further propose a Large Emotional World Model (LEWM). Specifically, we construct the Emotion-Why-How (EWH) dataset, which integrates emotion into causal relationships and enables reasoning about why actions occur and how emotions drive future world states. Based on this dataset, LEWM explicitly models emotional states alongside visual observations and actions, allowing the world model to predict both future states and emotional transitions. Experimental results show that LEWM more accurately predicts emotion-driven social behaviors while maintaining comparable performance to general world models on basic tasks.
• Abstract（参考訳）: 世界モデル(World Models)は、世界の現在の状態を理解し、将来のダイナミクスを予測するツールとして機能し、様々な分野にわたる幅広い応用の可能性を持つ。 世界的知識の重要な要素として、感情は人間の意思決定に大きな影響を及ぼす。 既存のLarge Language Models(LLM)は、世界の知識を捉えるための予備的な能力を示しているが、それらは主に物理世界の規則性をモデル化することに焦点を当て、感情的要因の体系的な探索を欠いている。 本稿では、まず、感情的関連情報を削除することが推論性能を低下させることを示すことによって、世界を理解する上での感情の重要性を実証する。 心の理論に触発されて、我々はさらに大感情世界モデル(LEWM)を提案する。 具体的には、感情を因果関係に統合し、なぜ行動が起こるのか、どのように感情が将来の世界状態を駆動するかの推論を可能にする感情-情-ハウ(EWH)データセットを構築する。 このデータセットに基づいて、LEWMは視覚的な観察と行動と共に感情状態を明示的にモデル化し、世界モデルは将来の状態と感情遷移の両方を予測する。 実験結果から、LEWMは感情駆動型社会行動をより正確に予測し、基本課題における一般世界モデルに匹敵する性能を維持した。

関連論文リスト

• Mechanistic Interpretability of Emotion Inference in Large Language Models [16.42503362001602]
  感情表現は大規模言語モデルにおいて特定の領域に機能的に局所化されていることを示す。 我々は,環境刺激の評価から感情が出現することを示すための認知的評価理論を導いた。 この研究は、因果的に介入し、感情的なテキスト生成を正確に形作る新しい方法を強調している。
  論文  参考訳（メタデータ） (2025-02-08T08:11:37Z)
• Contextual Emotion Recognition using Large Vision Language Models [0.6749750044497732]
  現実の状況における人の明らかな感情の人間レベルの認識を達成することは、コンピュータビジョンにおいて未解決の課題である。 本稿では,近年の大規模視覚言語モデルによって実現された2つの主要なアプローチについて検討する。 私たちは、小さなデータセットでも微調整された視覚言語モデルが、従来のベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-05-14T23:24:12Z)
• 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)
• 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)
• Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
  人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。 EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。 分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
  論文  参考訳（メタデータ） (2023-11-16T06:20:13Z)
• HICEM: A High-Coverage Emotion Model for Artificial Emotional Intelligence [9.153146173929935]
  次世代の人工知能(AEI)は、より深く、より有意義な人間と機械の相互作用に対するユーザの欲求に対処するために、中心的な段階を採っている。 心理学における歴史的焦点である感情の理論とは異なり、感情モデルは記述的な道具である。 この研究は、社会ロボティクス、人間と機械の相互作用、メンタルヘルスケア、計算心理学に幅広い影響を及ぼす。
  論文  参考訳（メタデータ） (2022-06-15T15:21:30Z)
• 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。

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。