論文の概要: AffToM: Benchmarking Recursive Affective Theory of Mind in Dynamic Multi-Party Interactions

• arxiv url: http://arxiv.org/abs/2611.02725v1
• Date: Mon, 02 Nov 2026 08:19:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 19:31:37.813
• Title: AffToM: Benchmarking Recursive Affective Theory of Mind in Dynamic Multi-Party Interactions
• Title（参考訳）: AffToM: 動的多人数インタラクションにおける再帰的思考影響理論のベンチマーク
• Abstract要約: 我々は,1,922対のテストペアと19,759対のトレーニングペアを持つ感情理論のベンチマークであるAffToMを紹介する。 AffToMは、出来事や社会的認知的文脈から感情を推測する個人感情推論(IAR)と、参加者のネストされた信念や感情を追跡するマルチパーティ感情推論(MPAR)を評価する。 動的キャラクタ相互作用グラフに基づくイベント駆動型マルチエージェント生成パイプラインを開発し、イベントシーケンス、対人関係、メンタルステート更新を明示的にキャプチャする。
• 参考スコア（独自算出の注目度）: 13.819321660445006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding emotion in realistic social interactions requires more than recognizing facial expressions or assigning affective labels. The same event can elicit different emotions depending on what each participant knows, what they believe others know or feel, and how these nested mental states evolve over time. Existing benchmarks largely study higher-order epistemic Theory of Mind (ToM) and multimodal emotion reasoning in isolation, leaving recursive affective reasoning under asymmetric and dynamically changing information underexplored. Therefore, we introduce AffToM, a benchmark for affective ToM with 1,922 test pairs and 19,759 training pairs. AffToM evaluates Individual Affective Reasoning (IAR), which infers emotions from events and socio-cognitive context, and Multi-party Affective Reasoning (MPAR), which recursively tracks participants' nested beliefs and emotions as new evidence emerges. We develop an event-driven multi-agent generation pipeline grounded in dynamic character interaction graphs that explicitly capture event sequences, interpersonal relations, and mental-state updates. Furthermore, we propose AffToM-R1, a two-stage post-training framework combining supervised fine-tuning with perspective-aware rubric-guided reinforcement learning. Experiments show that MPAR remains challenging, with even the strongest evaluated MLLM achieving less than 60% accuracy, while AffToM-R1 improves MPAR accuracy by 13.38 percentage points over its base model. Our dataset is available at: https://github.com/MindIntLab-HFUT/AffToM.
• Abstract（参考訳）: 現実的な社会的相互作用における感情を理解するには、表情を認識するか、感情的なラベルを割り当てる以上のことが必要である。 同じ出来事は、それぞれの参加者が知っていること、他人が知っていること、感じること、そしてこれらのネストした精神状態が時間の経過とともにどのように進化するかによって、異なる感情を引き出すことができる。 既存のベンチマークでは、非対称で動的に変化する情報の下の再帰的な感情的推論を残さずに、精神の高次疫学理論(ToM)と孤立したマルチモーダル感情推論(マルチモーダル感情推論)を主に研究している。 そこで我々は,1,922のテストペアと19,759のトレーニングペアを持つ感情的ToMのベンチマークであるAffToMを紹介する。 AffToMは、出来事や社会的認知的文脈から感情を推測する個人感情推論(IAR)と、新たな証拠が現れるにつれて、参加者のネストされた信念や感情を再帰的に追跡するマルチパーティ感情推論(MPAR)を評価する。 動的キャラクタ相互作用グラフに基づくイベント駆動型マルチエージェント生成パイプラインを開発し、イベントシーケンス、対人関係、メンタルステート更新を明示的にキャプチャする。 さらに,教師付き微調整と視点対応ルーリック誘導強化学習を組み合わせた2段階後学習フレームワークであるAffToM-R1を提案する。 AffToM-R1ではMPARの精度が13.38ポイント向上している。 私たちのデータセットは、https://github.com/MindIntLab-HFUT/AffToM.comで利用可能です。

関連論文リスト

• From Surface to Depth: Towards Cognitive Appraisal Reasoning in Multimodal Emotion Understanding [70.85308410745449]
  マルチモーダルな感情理解を認知から認知的評価への進展として定式化する。 この新しいパラダイムをサポートするために、データセット、モデル、ベンチマークを導入します。 以上の結果から,知覚から評価への推論は,表層部と表層部との関連を超越する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-10-08T13:14:39Z)
• Rationale-Guided Learning for Multimodal Emotion Recognition [21.87364319362605]
  会話におけるマルチモーダル感情認識には、言語と非言語間の複雑な相互作用を理解する必要がある。 本稿では,MERCを認知に触発された推論タスクに変換する新しいフレームワークである理性指導学習(RGL)を提案する。
  論文  参考訳（メタデータ） (2026-08-11T04:02:03Z)
• Benchmarking Dynamic Affective Reasoning: A Viewer-Centric Video Emotion Dataset [51.92925649424503]
  我々は、ビデオイベントに対する遷移と因果推論に影響を及ぼす視聴者中心の初めての大規模ベンチマークであるDynamic Affective Reasoningを紹介する。 Darには15,087の動画と36,908の感情セグメントがあり、27の感情カテゴリがアノテートされている。 Dar-R1は、感情的局所化と感情的推論の両方の観点から、動的感情的推論のための新しい最先端技術を設定する。
  論文  参考訳（メタデータ） (2026-07-11T09:58:29Z)
• Unveiling the Cognitive Compass: Theory-of-Mind-Guided Multimodal Emotion Reasoning [31.790359663851305]
  真の感情知性は、感情が生まれる認知基盤である心の理論(ToM)の明確なモデリングを必要とする。 ToMをベースとした階層型ベンチマークであるHitEmotionを導入する。 第2に、精神状態を追跡し、モダクティブな証拠を校正し、忠実な感情的推論を実現するToM誘導推論チェーンを提案する。
  論文  参考訳（メタデータ） (2026-02-01T02:26:12Z)
• PERM: Psychology-grounded Empathetic Reward Modeling for Large Language Models [45.377102925731826]
  大きな言語モデル(LLM)は、人間中心のアプリケーションにますますデプロイされるが、静的な感情的サポートの提供に失敗することが多い。 本稿では,この限界に対処するために,心理学に基づく共感的リワードモデリング(PERM)を提案する。
  論文  参考訳（メタデータ） (2026-01-15T15:56:55Z)
• Large Language Models Understand and Can be Enhanced by Emotional Stimuli [53.53886609012119]
  我々は、感情的な刺激を理解するために、大規模言語モデルの能力を探究する第一歩を踏み出す。 実験の結果,LLMは感情的知能を把握でき,その性能は感情的刺激によって改善できることがわかった。 EmotionPromptが生成タスクの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-07-14T00:57:12Z)

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。