論文の概要: Beyond End-to-End Black Box Mapping: An Intentional Agent Framework for Cognitive-driven Facial Reaction Generation

• arxiv url: http://arxiv.org/abs/2609.34419v1
• Date: Mon, 28 Sep 2026 06:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 20:50:52.979827
• Title: Beyond End-to-End Black Box Mapping: An Intentional Agent Framework for Cognitive-driven Facial Reaction Generation
• Title（参考訳）: 終端から終端までのブラックボックスマッピング:認知駆動型顔反応生成のための意図的エージェントフレームワーク
• Abstract要約: ヒューマン・コンピュータ・インタラクション(HCI)に携わる知的システム構築には,自動ヒト様顔反応生成(FRG)が不可欠である 我々は、FRGを構造的内部状態過程を介する生成として再構成し、FRGを直接刺激応答マッピングから刺激応答生成へ移行させるtextIntentional Agentを提案する。 REACT 2025データセットの実験では、FRDist 72.39 と FRDiv が 0.5057 であり、視覚的妥当性は盲目の人間の評価によって別々に評価されている。
• 参考スコア（独自算出の注目度）: 28.436766185842767
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automatic human-like facial reaction generation (FRG) is essential for building intelligent systems that can engage in human-computer interaction (HCI). While diverse and context-appropriate facial reactions can reflect latent appraisal and affective processes in human interaction, most existing FRG methods rely on end-to-end architectures that directly map speaker behaviours to listener expressions without an explicit intermediate internal state. We reformulate FRG as generation mediated by a structured internal-state process and propose the \textbf{Intentional Agent}, which shifts FRG from direct stimulus-response mapping to stimulus-grounded generation through explicit intermediate states. To represent temporal internal-state evolution, we propose an internal dynamics model that integrates emotional drives with an iterative Inner Thought Flow (ITF) within a structured intermediate state used for subsequent generation. This state can continue to update during conversational silences. Furthermore, to bridge abstract internal states with physiological actions, we formulate FRG as a downstream affective mapping from this latent thought flow to facial expressions. Experiments on the REACT 2025 dataset show an FRDist of 72.39 and an FRDiv of 0.5057; perceptual plausibility is evaluated separately through blinded human ratings. A blinded human evaluation of 96 reactions found no significant difference in mean score between Full and ground truth ($5.527$ vs.\ $5.195$, $p_{\mathrm{Holm}}=.076$), while Full significantly outperformed Event-Triggered and Heuristic-Only (both $p_{\mathrm{Holm}}<.001$). The Reaction Quality Scorer (RQS) correlated strongly with human judgements (Pearson $r=.855$; Spearman $ρ=.821$, both $p<.05$), supporting its use as an automatic metric. These results underscore the immense potential of endogenous dynamics in building highly autonomous, human-like agents.
• Abstract（参考訳）: 人間の顔反応自動生成(FRG)は、人間とコンピュータの相互作用(HCI)に関与するインテリジェントなシステムを構築するのに不可欠である。 多様な、文脈に適した顔反応は、人間の相互作用における潜在的な評価と感情の過程を反映するが、既存のFRGの手法のほとんどは、話者の振る舞いを明示的な中間状態のないリスナー表現に直接マッピングするエンドツーエンドのアーキテクチャに依存している。 我々は、FRGを構造的内部状態プロセスによって媒介される生成として再構成し、FRGを直接刺激応答マッピングから、明示的な中間状態を経て刺激応答生成へとシフトさせる「textbf{Intentional Agent}」を提案する。 本研究では、時間的内部状態の進化を表現するために、感情駆動と反復的内的思考フロー(ITF)を統合した内部力学モデルを提案する。 この状態は会話の沈黙の間も更新し続けることができる。 さらに, 抽象的な内部状態を生理的作用でブリッジするために, この潜在思考から表情への下流感情マッピングとしてFRGを定式化する。 REACT 2025データセットの実験では、FRDist 72.39 と FRDiv が 0.5057 であり、視覚的妥当性は盲目の人間の評価によって別々に評価されている。 96反応の盲目評価では、真理と地上の真理の平均値に有意な差はない(5.527ドル対)。 5.195$, $p_{\mathrm{Holm}}=.076$) であるのに対して、Fullはイベントトリガーとヒューリスティックオンリー(どちらも$p_{\mathrm{Holm}}<.001$)を著しく上回っている。 RQSは人間の判断(Pearson $r=.855$; Spearman $ρ=.821$, both $p<.05$)と強く相関し、自動計量としての使用をサポートする。 これらの結果は、高度に自律的で人間的なエージェントを構築する上で、内因性ダイナミクスの持つ大きな可能性を浮き彫りにしている。

関連論文リスト

• ResDiffFRG: Residual Diffusion for Multiple Appropriate Facial Reaction Generation [26.89886895158014]
  人間の話者とリスナーの会話では、リスナーの表情反応により、リスナーの感情状態が正確に知覚される。 人間の顔反応は非決定論的であるため、現実的な人間とエージェントの相互作用には、複数の適切な人間の顔反応を生成する能力が不可欠である。 ResDiffFRGは拡散過程を話者行動に固定する新しい拡散型MAFRGフレームワークである。
  論文  参考訳（メタデータ） (2026-09-27T16:50:05Z)
• Inter-X++: A Comprehensive Benchmark for Multimodal Human-Human Interaction Analysis [55.78822230833247]
  We present Inter-X++, a comprehensive and large-scale benchmark designed to empower useful HHI analysis。 インターX++は11,388個の高忠実な相互作用シーケンスと8.1Mフレームを提供する。 インタラクションの再構築と意味理解を協調的に最適化する,単一かつ統一されたHHI表現とモデリングフレームワークOpenHHIを提案する。
  論文  参考訳（メタデータ） (2026-08-20T17:51:48Z)
• A Dynamic-Semantics Framework for Grounding Human Referring Expressions in Visual Perceptual Data [0.0]
  本稿では,パクト状態を3つの明示的で検査可能な参照オブジェクトバインディングに外部化するフレームワークを提案する。 スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のフレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-08-09T12:14:10Z)
• 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)
• Overcoming State Inertia in Full-Duplex Spoken Language Models via Activation Steering [87.43777061308658]
  フル音声言語モデル(FDSLM)における予測行動の解析 FDSLMは、モデル出力生成に整合した生成状態と、ユーザ入力に整合した知覚状態の2つの状態間の内部焦点を動的に変調する。 ユーザ中断中は、モデルが知覚状態に遷移する前に生成状態に対して過渡的に偏りを保ち、入力の開始を逃す。
  論文  参考訳（メタデータ） (2026-06-09T19:08:07Z)
• Context-Value-Action Architecture for Value-Driven Large Language Model Agents [15.830984215635008]
  大規模言語モデル(LLM)は人間の振舞いをシミュレートする可能性を示しているが、既存のエージェントはしばしば振舞いの剛性を示す。 本研究では,Stimulus-Organism-Response(S-O-R)モデルとSchwartz氏の基本的人的価値理論に基づくコンテキスト-バリュー-アクションアーキテクチャを提案する。 本手法は, より優れた行動忠実性と解釈可能性を提供しながら, 偏光を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-04-07T14:34:20Z)
• GDPO-Listener: Expressive Interactive Head Generation via Auto-Regressive Flow Matching and Group reward-Decoupled Policy Optimization [5.5806589487812746]
  GDPO-Listenerは高度に表現力のある発話・聴取動作生成を実現する新しいフレームワークである。 本稿では,安定した教師付き学習を可能にする自動回帰フローマッチングアーキテクチャを提案する。 異なるFLAMEパラメータ群間で報酬正規化を分離することにより、GDPOは高分散表現世代を明示的にインセンティブ化する。
  論文  参考訳（メタデータ） (2026-03-26T04:36:27Z)
• Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in Large Language Models [75.85319609088354]
  SAGE(Sentient Agent as a Judge)は、大規模言語モデルの評価フレームワークである。 SAGEは人間のような感情の変化や内的思考をシミュレートするSentient Agentをインスタンス化する。 SAGEは、真に共感的で社会的に適応的な言語エージェントへの進捗を追跡するための、原則付き、スケーラブルで解釈可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-01T19:06:10Z)
• Centralizing State-Values in Dueling Networks for Multi-Robot Reinforcement Learning Mapless Navigation [87.85646257351212]
  本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。 この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。 我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:47:00Z)

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。