論文の概要: Affective Agent: On-Device Personalized Intervention Reasoning for Wearable Systems
- arxiv url: http://arxiv.org/abs/2609.12322v1
- Date: Fri, 11 Sep 2026 01:01:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.579229
- Title: Affective Agent: On-Device Personalized Intervention Reasoning for Wearable Systems
- Title（参考訳）: Affective Agent: ウェアラブルシステムのためのオンデバイスパーソナライズされたインターベンション推論
- Abstract要約: Affective Agentは、ウェアラブルクラスのハードウェアにおける不確実性を考慮したパーソナライズされた介入推論のための3層参照アーキテクチャである。
コンパクトなサブビリオンパラメータ言語モデルと生理学的エビデンス、コンテキスト、ユーザ履歴を組み合わせて、いつ、どのように介入するかを決定する。
その結果、メモリ駆動型パーソナライゼーションと2パス構造推論は、この合成評価における介入決定を改善することが示された。
- 参考スコア（独自算出の注目度）: 6.912208161207008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Affective computing has advanced wearable state inference, but on-device reasoning about whether, when, and how to intervene remains challenging. We present Affective Agent, a three-layer reference architecture for personalized intervention reasoning under uncertainty on wearable-class hardware. It combines a compact sub-billion-parameter language model with physiological evidence, context, and user history to decide whether, when, and how to intervene, without cloud dependency or per-user retraining. The architecture is organized into three interacting layers (perception, personalization, and reasoning), adapting to individual users through host-managed structured memory evolution rather than per-user weight updates. We instantiate Affective Agent in indoor environmental quality control and evaluate it on held-out, simulator-generated longitudinal scenarios spanning physiological variation, context, signal quality, and intervention history. Results show that memory-driven personalization and two-pass structured reasoning improve intervention decisions within this synthetic evaluation. By moving the decision layer on-device, this work demonstrates a path from wearable state inference toward closed-loop, personalized intervention on wearable-class hardware.
- Abstract（参考訳）: Affective Computingには高度なウェアラブル状態推論があるが、いつ、いつ、どのように介入するかというデバイス上の推論は依然として難しい。
Affective Agentは、ウェアラブルクラスのハードウェアにおける不確実性を考慮したパーソナライズされた介入推論のための3層参照アーキテクチャである。
コンパクトなサブビリオンパラメータ言語モデルと生理学的エビデンス、コンテキスト、ユーザ履歴を組み合わせることで、クラウド依存やユーザ単位の再トレーニングなしに、いつ、どのように介入するかを判断する。
アーキテクチャは3つの相互作用するレイヤ(パーセプション、パーソナライゼーション、推論)で構成され、ユーザ単位の重み更新ではなく、ホスト管理された構造化メモリの進化を通じて個々のユーザに対応する。
室内環境の質管理においてAffective Agentをインスタンス化し,生理的変動,文脈,信号品質,介入履歴にまたがる,持続的,シミュレータ生成の縦シナリオで評価する。
その結果、メモリ駆動型パーソナライゼーションと2パス構造推論は、この合成評価における介入決定を改善することが示された。
デバイス上の決定層を移動させることで、ウェアラブル状態推論からクローズドループへのパスを示し、ウェアラブルクラスのハードウェアに対するパーソナライズされた介入を示す。
関連論文リスト
- World Models for Embodied Intelligence: From Plausible to Controllable to Actionable [100.13060753774657]
世界モデルは、隠れた状態を維持し、結果を予測し、介入を比較し、実行が期待から外れたときに適応することによって、インテリジェンスにおける知覚と意思決定を結びつける。
これは、どの予測能力が振る舞いを改善するかという、中心的な疑問を提起する。
可塑性モデルは、タスク関連時間的・幾何学的・物理的構造を保存し、制御可能なモデルは、介入がどのように構造を変えるかを予測し、アクション可能なモデルは、予測を計画、行動、学習、評価、検証、回復、データ選択において測定可能な利得に変換する。
論文 参考訳（メタデータ） (2026-09-15T06:22:42Z) - ScrambleToolBench: Agents Search Exhaustively Even When Their Own Map Points to the Next Step [74.83535434786145]
ScrambleToolBenchは,行動推論の分離を目的とした対話型端末ベンチマークである。
このベンチマークでは、エージェントがテストとエラーのインタラクションを通じて、隠されたツールの振る舞いを明らかにする必要がある。
現状の言語モデルに対する我々の評価は、初期発見が成功しても頑健な適応にはならないことを示している。
論文 参考訳（メタデータ） (2026-08-03T15:07:46Z) - Setoka: A Benchmark for Hierarchical User Understanding in Personalized Agents over Heterogeneous Data [8.564332409420473]
メモリ拡張されたパーソナライズされたエージェントを評価するためのベンチマークであるセトカを提案する。
セトカは、意味記憶、エピソード記憶、行動パターン、性格特性の4つのレベルのユーザー理解を定義している。
その結果,既存のシステムではセマンティックメモリの検索に優れていたが,セマンティックメモリでは性能が低下していることがわかった。
論文 参考訳（メタデータ） (2026-07-29T15:47:40Z) - How Affect Propagates among LLM Agents: Emergent Emotional Contagion in Crowd Simulation [0.0]
マルチエージェント群シミュレーションにおいて, 相互に認知・評価するエージェント間の影響について検討した。
このアーキテクチャは、エージェント間で直接感情状態を転送する手作業によるメカニズムは含まない。
スパース,小集団における空間的・時間的・人格的依存的な構造を持つ感情的伝染動態を創出することを示す。
論文 参考訳（メタデータ） (2026-07-27T23:22:17Z) - The Model Is Not the Product: A Dual-Pillar Architecture for Local-First Psychological Coaching [51.56484100374058]
本報告では,iOS アプリケーションである Psych LM について紹介する。
Psych LMは、動作およびライフコーチングアプリケーション用に設計された、目的に構築された、ローカルファーストのランタイム内で、ローカル、オンデバイス言語モデルを実行する。
論文 参考訳（メタデータ） (2026-05-23T05:49:11Z) - From Perception to Action: An Interactive Benchmark for Vision Reasoning [51.11355591375073]
Causal Hierarchy of Actions and Interactions (CHAIN)ベンチマークは、モデルが物理的制約に基づいて構造化されたアクションシーケンスを理解し、計画し、実行できるかを評価するために設計された。
CHAINは、受動的知覚からアクティブな問題解決、機械パズルのインターロックや3D積み重ね、パッキングといったタスクへと評価をシフトする。
以上の結果から,トップパフォーマンスモデルでは,物理構造や因果制約の内在化に苦慮し,信頼性の高い長期計画の作成に失敗することが多く,認識された構造を効果的に翻訳することができないことが示唆された。
論文 参考訳（メタデータ） (2026-02-24T15:33:02Z) - Factored Reasoning with Inner Speech and Persistent Memory for Evidence-Grounded Human-Robot Interaction [38.120218754079055]
本稿では,対話を部分的に観察可能なマルコフ決定プロセスとしてモデル化する支援ロボットの認知アーキテクチャであるJANUSを紹介する。
Janusは、全体的な振る舞いを、スコープ検出、意図認識、メモリ、内的音声、クエリ生成、外的音声に関連する特別なモジュールに分解する。
我々は、知識グラフに基づく食事補助ドメインにおけるモジュールレベルのユニットテストを通じてJANUSを評価し、キュレートされた参照と実際の遅延プロファイルとの高い一致を報告した。
論文 参考訳（メタデータ） (2026-01-31T11:42:33Z) - Agentic Reasoning for Large Language Models [122.81018455095999]
推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。
大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。
エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
論文 参考訳（メタデータ） (2026-01-18T18:58:23Z) - Disentangling Recall and Reasoning in Transformer Models through Layer-wise Attention and Activation Analysis [3.1526281887627587]
モデル一般化の予測には推論からのリコールの排除が不可欠である。
我々は、制御された合成言語パズルのデータセットを使用して、層、頭、ニューロンレベルでトランスフォーマーモデルを探索する。
この結果から、リコールと推論は変換器モデルにおける分離可能だが相互作用する回路に依存しているという最初の因果的証拠が得られた。
論文 参考訳（メタデータ） (2025-10-03T04:13:06Z) - ECHO: Ego-Centric modeling of Human-Object interactions [71.17118015822699]
ECHO (Ego-Centric Modeling of Human-Object Interaction) を開発した。
人間のポーズ、物体の動き、そしてそのような最小限の観察から接触の3つのモダリティを回復する。
同じ柔軟性を提供しない既存のメソッドよりも優れています。
論文 参考訳（メタデータ） (2025-08-29T12:12:22Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Inference of Affordances and Active Motor Control in Simulated Agents [0.5161531917413706]
本稿では,出力確率,時間的予測,モジュール型人工ニューラルネットワークアーキテクチャを提案する。
我々のアーキテクチャは、割当マップと解釈できる潜在状態が発達していることを示す。
アクティブな推論と組み合わせることで、フレキシブルでゴール指向の動作が実行可能であることを示す。
論文 参考訳（メタデータ） (2022-02-23T14:13:04Z)
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。