論文の概要: Personalized Emotional Intelligence in Generative AI through Symbolic Affective Reasoning
- arxiv url: http://arxiv.org/abs/2607.10678v1
- Date: Sun, 12 Jul 2026 09:51:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.503547
- Title: Personalized Emotional Intelligence in Generative AI through Symbolic Affective Reasoning
- Title（参考訳）: シンボリック・アフェクティブ・推論による生成AIにおけるパーソナライズされた感情知能
- Abstract要約: Emotion-augmented geneRatiOn System (EROS)は、シンボル推論とディープラーニングを統合し、視覚コンテンツを通してパーソナライズされた感情増強を可能にするハイブリッドAIフレームワークである。
EROSは、一般化可能な感情規則を発見し、感情関連画像領域を特定し、文脈対応の視覚的変化を予測する。
個々の変数を考慮するため、EROSはモデル微調整なしで推論時のパーソナライゼーションをサポートする拡張可能なメモリバンクを組み込んでいる。
- 参考スコア（独自算出の注目度）: 14.469053461172626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emotional intelligence enables humans to recognize emotions, infer their causes, reason about interventions, and modify their environment to achieve desired affective states. Despite recent advances in artificial intelligence (AI), current models remain largely limited to generating realistic content or performing semantic reasoning, with little capacity for understanding, predicting, and personalizing human emotional responses. Here we introduce Emotion-augmented geneRatiOn System (EROS), a hybrid AI framework that integrates symbolic reasoning with deep learning to enable personalized emotion augmentation through visual content. Leveraging large-scale image-emotion datasets, EROS discovers generalizable affective rules, identifies emotion-relevant image regions, and predicts context-aware visual modifications that preserve scene semantics while steering emotional responses toward desired targets. To account for individual variability, EROS incorporates an expandable memory bank that supports inference-time personalization without model fine-tuning, yielding interpretable emotional profiles and rapid adaptation to new users. Across extensive human psychophysics experiments, EROS elicits target emotional responses more effectively than state-of-the-art large multimodal models while adapting to individual affective preferences. Beyond affective computing, EROS provides a foundation for AI systems that can understand, reason about, and augment human cognitive states, with potential applications in mental health, adaptive media, education, and human-computer interaction.
- Abstract（参考訳）: 感情知性は、人間が感情を認識し、その原因を推測し、介入について推論し、望ましい感情状態を達成するために環境を変更することを可能にする。
近年の人工知能(AI)の発展にもかかわらず、現在のモデルは、人間の感情的な反応を理解し、予測し、パーソナライズする能力がほとんどない、現実的なコンテンツを生成するか、意味論的推論を実行することに限定されている。
Emotion-augmented geneRatiOn System (EROS)は、シンボル推論とディープラーニングを統合し、視覚コンテンツを通してパーソナライズされた感情増強を可能にするハイブリッドAIフレームワークである。
大規模なイメージ感情データセットを活用することで、EROSは、一般化可能な感情的ルールを発見し、感情関連画像領域を特定し、シーンセマンティクスを保存し、所望の目標に向けて感情応答を操りながら、コンテキスト対応の視覚的修正を予測する。
個人の変動を考慮し、EROSは推論時パーソナライゼーションをサポートする拡張可能なメモリバンクをモデル微調整なしで組み込んでおり、解釈可能な感情プロファイルと新規ユーザへの迅速な適応を実現している。
広範囲にわたる人間の心理物理学実験を通じて、EROSは個人の感情的嗜好に適応しながら、最先端の大規模マルチモーダルモデルよりも感情的な反応をより効果的に引き起こす。
感情コンピューティング以外にも、EROSは人間の認知状態を理解し、推論し、拡張できるAIシステムの基盤を提供し、メンタルヘルス、適応メディア、教育、人間とコンピュータの相互作用に潜在的に応用できる。
関連論文リスト
- Emotion-Coherent Reasoning for Multimodal LLMs via Emotional Rationale Verifier [53.55996102181836]
本稿では,感情関係検証器 (ERV) と説明リワードを提案する。
本手法は,対象感情と明確に一致した推論をモデルに導出する。
我々のアプローチは、説明と予測の整合性を高めるだけでなく、MLLMが感情的に一貫性があり、信頼できる対話を実現するのにも役立ちます。
論文 参考訳（メタデータ） (2025-10-27T16:40:17Z) - Intelligent Agents with Emotional Intelligence: Current Trends, Challenges, and Future Prospects [29.200295853116398]
Affective Computingは、人間の感情を認識し、誘発し、表現できるインテリジェントなシステムを設計することを目的としている。
本稿では,感情システム開発における課題と課題を特定し,分析する。
論文 参考訳（メタデータ） (2025-10-11T07:40:36Z) - Affective Computing and Emotional Data: Challenges and Implications in Privacy Regulations, The AI Act, and Ethics in Large Language Models [0.0]
本稿では,感情知能の人工知能システムへの統合について検討する。
コンピュータ科学、心理学、神経科学を組み合わせた学際的な研究に基づいて、感情認識を可能にする神経アーキテクチャを分析する。
本論文は、医療、教育、カスタマーサービスなど、さまざまな領域にまたがる影響について考察する。
論文 参考訳（メタデータ） (2025-09-24T14:18:41Z) - Modelling the Interplay of Eye-Tracking Temporal Dynamics and Personality for Emotion Detection in Face-to-Face Settings [1.2600839346487007]
本研究は、視線追跡シーケンス、ビッグファイブの性格特性、文脈刺激を統合して、知覚と知覚の両方の感情を予測するパーソナリティ対応のマルチモーダル・フレームワークを提案する。
その結果、刺激が感情予測を強く促進する一方、性格特性は感情認識に最大の改善をもたらすことが明らかとなった。
論文 参考訳（メタデータ） (2025-09-19T16:05:23Z) - Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。
我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。
次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。
第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
論文 参考訳（メタデータ） (2025-04-25T05:28:21Z) - Artificial Intelligence Can Emulate Human Normative Judgments on Emotional Visual Scenes [0.09208007322096533]
現状のマルチモーダルシステムは、標準化された画像に対して人間の感情評価をエミュレートできるかどうかを検討する。
AIの判断は、平均的な人間の評価と驚くほどよく相関している。
論文 参考訳（メタデータ） (2025-03-24T15:41:23Z) - Modelling Emotions in Face-to-Face Setting: The Interplay of Eye-Tracking, Personality, and Temporal Dynamics [1.6029719942799865]
本研究では、視線追跡データ、時間的ダイナミクス、性格特性を統合することで、知覚と知覚の両方の感情の検出を大幅に向上させる方法について述べる。
本研究は,将来の情緒コンピューティングと人間エージェントシステムの設計を示唆するものである。
論文 参考訳（メタデータ） (2025-03-18T13:15:32Z) - 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) - 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) - 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) - Emotion-aware Chat Machine: Automatic Emotional Response Generation for
Human-like Emotional Interaction [55.47134146639492]
この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。
実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-06-06T06:26:15Z)
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。