論文の概要: Emotional regulation improves deep learning-based image classification

• arxiv url: http://arxiv.org/abs/2606.13081v1
• Date: Thu, 11 Jun 2026 09:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.68822
• Title: Emotional regulation improves deep learning-based image classification
• Title（参考訳）: 感情制御は深層学習に基づく画像分類を改善する
• Authors: Riccardo Emanuele Landi, João M. F. Rodrigues, Marta Chinnici,
• Abstract要約: 本研究は、人工的な主観経験を通して、深層学習における感情をモデル化する新しいフレームワークである感情規則を導入する。 提案手法は、CIFARに基づく画像分類における関連研究を克服し、感情強化深層学習における新たな最先端技術としての感情制御を明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emotion significantly influences cognition, enhancing memory and learning under certain conditions. Drawing on this principle, emotion-augmented deep learning investigates how affective states can improve neural network architectures and learning paradigms, achieving better generalization than non-emotional models. However, existing methods often rely solely on objective neurophysiological factors, neglecting the role of subjectivity in emotion. To bridge this gap, the present study introduces Emotional Regulation, a novel framework for modeling emotion in deep learning through artificial subjective experience. The method employs pre-training based on affective stimuli, balancing non-emotional and emotionally-influenced responses in downstream task optimization. Extensive experimentation was conducted in image classification, pre-training ResNet and ViT architectures on four emotional datasets, using CIFAR-10 and -100 as target benchmarks. Results reveal improvements over the aforementioned backbones, providing evidence of Emotional Regulation as a promising method for defining emotion-augmented deep learning through artificial subjective experience. Furthermore, the proposed approach overcomes the related work in image classification based on CIFAR, revealing Emotional Regulation as the new state-of-the-art in emotion-augmented deep learning for large-scale vision datasets. The study also enforces evidence of the impact of affective states in improving machine learning tasks' optimization, encouraging further investigation on emotion-inspired architectures.
• Abstract（参考訳）: 感情は特定の条件下での認知、記憶、学習に大きく影響する。 この原則に基づいて、感情強化されたディープラーニングは、感情的状態がニューラルネットワークアーキテクチャや学習パラダイムをどのように改善するかを調査し、非感情モデルよりも優れた一般化を達成する。 しかし、既存の方法は、感情における主観性の役割を無視し、客観的な神経生理学的要因にのみ依存することが多い。 このギャップを埋めるために,本研究では,人工主観的体験を通じて深層学習における感情をモデル化する新たなフレームワークである感情規則を導入する。 この方法は、感情的刺激に基づく事前学習を採用し、下流タスク最適化における非感情的および感情的影響のある応答のバランスをとる。 CIFAR-10と-100をターゲットベンチマークとして、画像分類、ResNetとViTアーキテクチャの4つの感情的データセットを用いた大規模な実験を行った。 その結果、上記のバックボーンの改善が明らかになり、人工的な主観的体験を通じて感情強化深層学習を定義するための有望な方法として感情制御の証拠が得られた。 さらに、提案手法は、CIFARに基づく画像分類における関連研究を克服し、大規模視覚データセットに対する感情強化深層学習における新たな最先端技術としての感情制御を明らかにする。 この研究はまた、機械学習タスクの最適化を改善する上で情緒的状態が与える影響の証拠を強制し、感情に触発されたアーキテクチャに関するさらなる調査を奨励している。

関連論文リスト

• Cognition-Inspired Dual-Stream Semantic Enhancement for Vision-Based Dynamic Emotion Modeling [27.96408159377496]
  認知にインスパイアされたデュアルストリームセマンティックエンハンスメント(DuSE)を提案する。 我々のモデルは、デュアルストリーム認知アーキテクチャをインスタンス化する。 挑戦的なインザワイルドベンチマークの実験は、認識中心のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-14T14:16:18Z)
• EMO-R3: Reflective Reinforcement Learning for Emotional Reasoning in Multimodal Large Language Models [62.3977734456669]
  マルチモーダル大規模言語モデル(MLLM)の感情的推論能力を高めるためのフレームワークとして,情緒的推論のための反射強化学習(EMO-R3)を提案する。 構造化された感情的思考を導入し、構造化された解釈可能な方法で段階的に感情的推論を行い、そのモデルが視覚的テキストの一貫性と感情的コヒーレンスに基づいてその推論を再評価できる反射的感情的回帰を設計する。 EMO-R3はMLLMの解釈可能性と感情的インテリジェンスの両方を大幅に改善し、複数の視覚的感情理解ベンチマークにおいて優れた性能を達成する。
  論文  参考訳（メタデータ） (2026-02-27T08:42:52Z)
• VidEmo: Affective-Tree Reasoning for Emotion-Centric Video Foundation Models [46.591026037722436]
  本稿では,基本的属性認識,表現分析,高レベルの感情理解を統一する感情的手がかり誘導推論フレームワークを提案する。 我々のアプローチの核心は、感情推論と指示追従のために特別に設計されたビデオ感情基盤モデル(VidEmo)のファミリーである。 基礎的なデータ基盤を確立し,210万の多様な命令ベースのサンプルからなる感情中心の微粒化データセットを導入する。
  論文  参考訳（メタデータ） (2025-11-04T16:31:09Z)
• Narrative-Centered Emotional Reflection: Scaffolding Autonomous Emotional Literacy with AI [0.0]
  リフレクション(Reflexion)は、大規模に構造化された感情的自己反射を可能にするAIベースのプラットフォームである。 システム足場は、表面レベルの感情認識から価値に整合した行動計画への進歩的な旅である。
  論文  参考訳（メタデータ） (2025-04-29T01:24:46Z)
• SOLVER: Scene-Object Interrelated Visual Emotion Reasoning Network [83.27291945217424]
  画像から感情を予測するために,SOLVER(Scene-Object Interrelated Visual Emotion Reasoning Network)を提案する。 異なるオブジェクト間の感情関係を掘り下げるために、まずセマンティックな概念と視覚的特徴に基づいて感情グラフを構築します。 また、シーンとオブジェクトを統合するScene-Object Fusion Moduleを設計し、シーンの特徴を利用して、提案したシーンベースのアテンションメカニズムでオブジェクトの特徴の融合プロセスを導出する。
  論文  参考訳（メタデータ） (2021-10-24T02:41:41Z)
• Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
  本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。 我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。 実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T08:14:52Z)
• 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)
• Reinforcement Learning for Emotional Text-to-Speech Synthesis with Improved Emotion Discriminability [82.39099867188547]
  感情的テキスト音声合成(ETTS)は近年大きく進歩している。 i-ETTSと呼ばれるETTSの新しい対話型トレーニングパラダイムを提案する。 i-ETTSの最適化品質を確保するため、強化学習による反復トレーニング戦略を策定します。
  論文  参考訳（メタデータ） (2021-04-03T13:52:47Z)
• Leveraging Recent Advances in Deep Learning for Audio-Visual Emotion Recognition [2.1485350418225244]
  人間の行動分析のために, 自発的なマルチモーダル感情認識が広く研究されている。 視聴覚感情認識のための深層学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:49:15Z)
• Meta Transfer Learning for Emotion Recognition [42.61707533351803]
  本研究では、ある視覚的/聴覚的感情領域から学習した感情知識を、別の視覚的/聴覚的感情領域に伝達できるPathNetに基づく伝達学習手法を提案する。 提案システムは感情認識の性能を向上し,最近提案された微調整/事前学習モデルに基づく伝達学習手法よりも性能が大幅に向上する。
  論文  参考訳（メタデータ） (2020-06-23T00:25:28Z)

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。