論文の概要: A Hormone-inspired Emotion Layer for Transformer language models (HELT)

• arxiv url: http://arxiv.org/abs/2605.13858v1
• Date: Mon, 13 Apr 2026 11:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 04:51:46.022047
• Title: A Hormone-inspired Emotion Layer for Transformer language models (HELT)
• Title（参考訳）: トランスフォーマー言語モデル(HELT)のためのホルモン誘発感情層
• Authors: Eslam Reda, Sara El-Metwally,
• Abstract要約: 生体にインスパイアされたHormone Emotionでトランスフォーマー言語モデルを強化する新しいアーキテクチャであるHormoneT5を紹介する。 ホルモンT5は許容閾値0.15でホルモン当たりの精度が85%以上、ホルモンの分化範囲は6つのホルモン全てで0.85以上である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models have demonstrated remarkable capabilities in generating contextually relevant and grammatically correct text. However, they fundamentally lack the ability to process and respond to emotional context in a manner analogous to human emotional cognition. Current approaches to emotion modeling in NLP systems rely primarily on discrete emotion classification or simplistic sentiment analysis, which fail to capture the continuous, multi-dimensional nature of human emotional states. In this paper, we introduce HormoneT5, a novel architecture that augments transformer language models with a biologically-inspired Hormone Emotion Block that simulates the human endocrine system's role in emotional processing. Our approach computes six continuous hormone-like values through specialized per-hormone attention heads, each with orthogonally initialized learnable queries, temperature-scaled attention mechanisms, and deep output projections. These hormone values are then transformed into an emotional embedding that modulates the encoder hidden states, enabling emotionally-appropriate response generation. We propose a multi-objective training framework combining sequence-to-sequence loss, hormone prediction loss with margin penalties, and diversity regularization to prevent attention collapse. Experimental results on our curated emotion-labeled dataset demonstrate that HormoneT5 achieves 85%+ per-hormone accuracy within a 0.15 tolerance threshold, with hormone differentiation ranges exceeding 0.85 across all six hormones between contrasting emotional tones. Human evaluation studies show significant preference (p < 0.01) for HormoneT5-generated responses in terms of emotional appropriateness and empathetic quality compared to baseline T5 outputs. Our work opens new directions for biologically-grounded affective computing and emotionally intelligent conversational agents.
• Abstract（参考訳）: 大規模言語モデルは、文脈的に関連があり、文法的に正しいテキストを生成する際、顕著な能力を示した。 しかし、人間の感情認知に類似した方法で感情的文脈を処理し、反応する能力は基本的に欠如している。 NLPシステムにおける感情モデリングへの現在のアプローチは、主に、人間の感情状態の連続的で多次元的な性質を捉えない、離散的な感情分類または単純化的な感情分析に依存している。 本稿では,生体にインスパイアされたHormone Emotion Blockでトランスフォーマー言語モデルを強化する新しいアーキテクチャであるHormoneT5を紹介し,人間の内分泌系が感情処理において果たす役割をシミュレートする。 提案手法はホルモンごとの特別な注意頭を用いて6つの連続ホルモン様の値を計算し,それぞれが直交的に初期化して学習可能なクエリ,温度スケールの注意機構,深部出力の予測を行う。 これらのホルモン値は、エンコーダの隠れた状態を調節し、感情的に適切な応答生成を可能にする感情的な埋め込みに変換される。 注意崩壊を防ぐために,シーケンス・ツー・シーケンスの損失,マージンのペナルティによるホルモンの予測損失,多様性の正則化を併用した多目的トレーニングフレームワークを提案する。 実験結果から,HormoneT5はホルモン1人当たりの精度を0.15の許容閾値で85%以上達成し,ホルモンの分化範囲は6つのホルモンで0.85以上であることがわかった。 ヒト評価では,HormoneT5産生反応の感情的適切性および共感的品質について,ベースラインT5出力と比較して有意な選好(p < 0.01)を示した。 我々の研究は、生物学的に接地された感情コンピューティングと感情的知的会話エージェントのための新しい方向を開く。

関連論文リスト

• Emotion Entanglement and Bayesian Inference for Multi-Dimensional Emotion Understanding [40.766332191425]
  EmoSceneは4,731の文脈に富んだシナリオを8次元の感情ベクトルでアノテートした理論に基づくベンチマークである。 本稿では,感情共起統計を組み込んだ絡み合い型ベイズ推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T12:27:04Z)
• From Emotion Classification to Emotional Reasoning: Enhancing Emotional Intelligence in Large Language Models [0.0]
  本研究は、より小さなオープンな大言語モデル(LLM)の感情的推論能力を、合成的感情的連鎖データが改善するかどうかを考察する。 治療スタイルの会話を生成するマルチエージェント生成パイプラインを設計し,それをMCQ(Structured emotion Multiple-choice Question)に変換する。 このデータセット上で様々な7Bモデルを微調整すると、感情的理解と感情的認識が大幅に向上することが提案される。
  論文  参考訳（メタデータ） (2026-01-04T07:08:37Z)
• Do LLMs "Feel"? Emotion Circuits Discovery and Control [54.57583855608979]
  本研究では、感情表現を引き起こす内部メカニズムと、生成したテキストにおける感情の制御について検討する。 これは、大きな言語モデルで感情回路を発見し、検証する最初の体系的な研究である。
  論文  参考訳（メタデータ） (2025-10-13T12:24:24Z)
• UDDETTS: Unifying Discrete and Dimensional Emotions for Controllable Emotional Text-to-Speech [61.989360995528905]
  制御可能な感情的TTSのための離散的感情と次元的感情を統一する普遍的なフレームワークであるUDDETTSを提案する。 このモデルは、次元的感情記述のための解釈可能なArousal-Dominance-Valence(ADV)空間を導入し、離散的な感情ラベルまたは非線形に定量化されたADV値によって駆動される感情制御をサポートする。 実験の結果, UDDETTSは3次元の線形感情制御を実現し, エンドツーエンドの感情音声合成能力に優れていた。
  論文  参考訳（メタデータ） (2025-05-15T12:57:19Z)
• From Rational Answers to Emotional Resonance: The Role of Controllable Emotion Generation in Language Models [16.350658746140788]
  大規模言語モデル(LLM)は、一貫性があり、制御可能で、文脈的に適切な方法で感情を表現するのに苦労する。 感情ベクトル(EV)に基づく制御可能な感情生成フレームワークを提案する。 本手法は、追加のトレーニングやアーキテクチャの変更なしに、感情のトーンを微調整し、連続的に調整することができる。
  論文  参考訳（メタデータ） (2025-02-06T13:38:57Z)
• ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains [61.50113532215864]
  CEE(Causal Emotion Entailment)は、ターゲット発話で表現される感情を刺激する会話における因果発話を特定することを目的としている。 CEEにおける現在の研究は、主に会話のセマンティックな相互作用と感情的な相互作用をモデル化することに焦点を当てている。 本研究では,会話中の感情表現から刺激を推測するために,ステップバイステップの推論手法である感情・因果関係(ECR-Chain)を導入する。
  論文  参考訳（メタデータ） (2024-05-17T15:45:08Z)
• Personality-affected Emotion Generation in Dialog Systems [67.40609683389947]
  ダイアログシステムに与えられた個性に基づいて感情を生成する新しいタスクであるパーソナリティ影響感情生成を提案する。 本課題の課題,すなわち,(1)個性と感情的要因を不均一に統合し,(2)対話場面における多粒性感情情報を抽出する。 その結果,感情生成性能はマクロF1では13%,重み付きF1では5%向上することが示唆された。
  論文  参考訳（メタデータ） (2024-04-03T08:48:50Z)
• 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)
• Emotion Eliciting Machine: Emotion Eliciting Conversation Generation based on Dual Generator [18.711852474600143]
  ユーザのポジティブな感情を誘発する応答を生成することを目的としたポジティブな感情抽出の問題を研究する。 この問題に対処するために,弱い教師付き感情除去機械(EEM)を提案する。 EEMは、ポジティブな感情抽出で応答を生成する際に既存のモデルより優れています。
  論文  参考訳（メタデータ） (2021-05-18T03:19:25Z)

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。