論文の概要: Are Emotions Arranged in a Circle? Geometric Analysis of Emotion Representations via Hyperspherical Contrastive Learning

• arxiv url: http://arxiv.org/abs/2601.06575v1
• Date: Sat, 10 Jan 2026 13:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.885145
• Title: Are Emotions Arranged in a Circle? Geometric Analysis of Emotion Representations via Hyperspherical Contrastive Learning
• Title（参考訳）: 感情は円状に配置されているか?超球形コントラスト学習による感情表現の幾何学的解析
• Authors: Yusuke Yamauchi, Akiko Aizawa,
• Abstract要約: 本稿では,ハイパースフィア上でのコントラスト学習を通じて,言語モデル埋め込み内の円形感情表現を誘導する手法を提案する。 この円形アライメントは次元減少に対して優れた解釈性と頑健性を提供するが、高次元設定やきめ細かな分類における従来の設計に比べて性能が劣ることを示す。
• 参考スコア（独自算出の注目度）: 18.807120508172407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Psychological research has long utilized circumplex models to structure emotions, placing similar emotions adjacently and opposing ones diagonally. Although frequently used to interpret deep learning representations, these models are rarely directly incorporated into the representation learning of language models, leaving their geometric validity unexplored. This paper proposes a method to induce circular emotion representations within language model embeddings via contrastive learning on a hypersphere. We show that while this circular alignment offers superior interpretability and robustness against dimensionality reduction, it underperforms compared to conventional designs in high-dimensional settings and fine-grained classification. Our findings elucidate the trade-offs involved in applying psychological circumplex models to deep learning architectures.
• Abstract（参考訳）: 心理学的研究は長い間、周囲のモデルを使って感情を構造化し、類似した感情を隣接して配置し、反対の感情を対角に配置してきた。 深層学習表現の解釈によく用いられるが、これらのモデルは言語モデルの表現学習に直接組み込まれ、幾何学的妥当性は明らかにされていない。 本稿では,ハイパースフィア上でのコントラスト学習を通じて,言語モデル埋め込み内の円形感情表現を誘導する手法を提案する。 この円形アライメントは次元減少に対して優れた解釈性と頑健性を提供するが、高次元設定やきめ細かな分類における従来の設計に比べて性能が劣ることを示す。 本研究は,深層学習アーキテクチャにおける心理的概略モデルの適用に関するトレードオフを解明するものである。

関連論文リスト

• Emotions Where Art Thou: Understanding and Characterizing the Emotional Latent Space of Large Language Models [5.171335396838995]
  本研究では, 大規模言語モデル (LLM) が内部的に感情を表現しているかを, 隠れ状態空間の幾何学的構造を解析することによって検討する。 本論文は,低次元の感情的多様体を同定し,感情的表現が層に分散され,解釈可能な次元に一致していることを示す。
  論文  参考訳（メタデータ） (2025-10-24T21:54:12Z)
• 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)
• Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
  会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。 データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。 我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-12-19T08:47:50Z)
• StyleEDL: Style-Guided High-order Attention Network for Image Emotion Distribution Learning [69.06749934902464]
  StyleEDLと呼ばれる画像感情分布学習のためのスタイル誘導型高次アテンションネットワークを提案する。 StyleEDLは視覚内容の階層的スタイリスティック情報を探索することにより、画像のスタイリスティックな表現を対話的に学習する。 さらに、コンテンツ依存の感情表現を動的に生成するスタイリスティックなグラフ畳み込みネットワークを導入する。
  論文  参考訳（メタデータ） (2023-08-06T03:22:46Z)
• Semi-supervised learning for continuous emotional intensity controllable speech synthesis with disentangled representations [16.524515747017787]
  半教師付き学習を用いて感情の連続的な強度を制御する新しい手法を提案する。 実験の結果,提案手法は制御性と自然性に優れていた。
  論文  参考訳（メタデータ） (2022-11-11T12:28:07Z)
• 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)
• 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)
• Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
  適度な高次元と大きなデータセットに適した多様体学習技術。 この手法は、二次超曲面の交点という形で訓練データから学習される。 テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
  論文  参考訳（メタデータ） (2021-02-11T18:52:08Z)
• Facial Expression Editing with Continuous Emotion Labels [76.36392210528105]
  深層生成モデルは、自動表情編集の分野で素晴らしい成果を上げている。 連続した2次元の感情ラベルに従って顔画像の表情を操作できるモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-22T13:03:02Z)

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。