This study explores an info-structural model of cognition for non-interacting agents affected by human sensation, perception, emotion, and affection. We do not analyze the neuroscientific or psychological debate concerning the human mind working, but we underline the importance of modeling the above cognitive levels when designing artificial intelligence agents. Our aim was to start a reflection on the computational reproduction of intelligence, providing a methodological approach through which the aforementioned human factors in autonomous systems are enhanced. The presented model must be intended as part of a larger one, which also includes concepts of attention, awareness, and consciousness. Experiments have been performed by providing visual stimuli to the proposed model, coupling the emotion cognitive level with a supervised learner to produce artificial emotional activity. For this purpose, performances with Random Forest and XGBoost have been compared and, with the latter algorithm, 85% accuracy and 92% coherency over predefined emotional episodes have been achieved. The model has also been tested on emotional episodes that are different from those related to the training phase, and a decrease in accuracy and coherency has been observed. Furthermore, by decreasing the weight related to the emotion cognitive instances, the model reaches the same performances recorded during the evaluation phase. In general, the framework achieves a first emotional generalization responsiveness of 94% and presents an approximately constant relative frequency related to the agent’s displayed emotions.

中文翻译：

---

智能感知：非交互主体认知的信息结构模型

这项研究探索了一种非结构性相互作用的认知信息结构模型，该模型受人类的感觉，知觉，情感和情感的影响。我们没有分析有关人脑工作的神经科学或心理学争论，但是我们强调了在设计人工智能代理时对上述认知水平进行建模的重要性。我们的目标是对智能的计算再现进行反思，提供一种方法方法，以增强自治系统中的上述人为因素。所提出的模型必须旨在作为更大模型的一部分，该模型还包括注意力，意识和意识的概念。通过为所提议的模型提供视觉刺激来进行实验，将情绪认知水平与受监督的学习者相结合，以产生人为的情绪活动。为此，已经比较了随机森林和XGBoost的性能，并且使用后一种算法，已达到预定义情感情节的85％的准确性和92％的连贯性。还对该模型进行了与与训练阶段有关的情绪发作不同的情绪发作测试，并且观察到准确性和连贯性下降。此外，通过减少与情感认知实例相关的权重，该模型达到了在评估阶段记录的相同性能。通常，该框架实现了94％的第一情感泛化响应度，并呈现了与代理显示的情感相关的近似恒定的相对频率。为此，已经比较了随机森林和XGBoost的性能，并且使用后一种算法，已达到预定义情感情节的85％的准确性和92％的连贯性。还对该模型进行了与与训练阶段有关的情绪发作不同的情绪发作测试，并且观察到准确性和连贯性下降。此外，通过减少与情感认知实例相关的权重，该模型达到了在评估阶段记录的相同性能。通常，该框架实现了94％的第一情感泛化响应度，并呈现了与代理显示的情感相关的近似恒定的相对频率。为此，已经比较了随机森林和XGBoost的性能，并且使用后一种算法，已达到预定义情感情节的85％的准确性和92％的连贯性。还对该模型进行了与与训练阶段有关的情绪发作不同的情绪发作测试，并且观察到准确性和连贯性下降。此外，通过减少与情感认知实例相关的权重，该模型达到了在评估阶段记录的相同性能。通常，该框架实现了94％的第一情感泛化响应度，并呈现了与代理显示的情感相关的近似恒定的相对频率。与预定义的情感事件相比，已达到85％的准确性和92％的连贯性。还对该模型进行了与与训练阶段有关的情绪发作不同的情绪发作测试，并且观察到准确性和连贯性下降。此外，通过减少与情感认知实例相关的权重，该模型达到了在评估阶段记录的相同性能。通常，该框架实现了94％的第一情感泛化响应度，并呈现了与代理显示的情感相关的近似恒定的相对频率。与预定义的情感事件相比，已达到85％的准确性和92％的连贯性。还对该模型进行了与与训练阶段有关的情绪发作不同的情绪发作测试，并且观察到准确性和连贯性下降。此外，通过减少与情感认知实例相关的权重，该模型达到了在评估阶段记录的相同性能。通常，该框架实现了94％的第一情感泛化响应度，并呈现了与代理显示的情感相关的近似恒定的相对频率。此外，通过减少与情感认知实例相关的权重，该模型达到了在评估阶段记录的相同性能。通常，该框架实现了94％的第一情感泛化响应度，并呈现了与代理显示的情感相关的近似恒定的相对频率。此外，通过减少与情感认知实例相关的权重，该模型达到了在评估阶段记录的相同性能。通常，该框架实现了94％的第一情感泛化响应度，并呈现了与代理显示的情感相关的近似恒定的相对频率。