PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2508.05229v2cs.HC

ADSEL: 불완전 다차원 감정 레이블을 통한 EEG 특징 선택을 위한 적응형 이중 자기표현 학습

ADSEL: Adaptive Dual Self-Expression Learning for EEG Feature Selection via Incomplete Multi-Dimensional Emotion Labels

EEG 기반 다차원 감정 인식은 감성 컴puting 분야에서 상당한 연구 관심을 받아 왔다. 그러나 EEG 특징의 고차원성과 제한된 표본 크기는 분류기 과적합과 높은 계산 복잡도를 자주 초래한다. 특징 선택은 이러한 문제를 완화하는 핵심 전략이다. 그러나 기존 EEG 특징 선택 방법의 대부분은 완전한 다차원 감정 레이블을 가정한다. 실제로 개방형 획득 환경과 감정 지각의 내재적 주관성으로 인해 레이블 데이터가 불완전해지는 경우가 많으며, 이는 모델 일반화를 저해할 수 있다. 또한 불완전 다차원 레이블을 다루는 기존 특징 선택 방법은 레이블 복원 과정에서 여러 차원 간 상관관계에 주로 초점을 두며, 레이블 공간에서 표본 간 상관관계와 이들이 여러 차원과 맺는 상호작용은 간과한다. 이러한 문제를 해결하기 위해, 본 연구는 Adaptive Dual Self-Expression Learning(ADSEL)과 최소자승 회귀를 통합한 새로운 불완전 다차원 감정 특징 선택 프레임워크를 제안한다. ADSEL은 레이블 공간 내 표본 수준과 차원 수준 자기표현 학습 과정 사이에 양방향 경로를 구축할 수 있으며, 두 과정 간 학습 정보의 교차 공유를 가능하게 하여 레이블 재구성을 위해 표본과 차원 모두에서 유효 정보를 동시에 활용할 수 있다. 이에 따라 ADSEL은 레이블 복원 정확도를 높이고 다차원 감정 인식을 위한 최적 EEG 특징 부분집합을 효과적으로 식별할 수 있다. ADSEL은 다차원 감정 레이블을 갖는 세 공개 EEG 데이터셋에서 14개 최신 특징 선택 방법과 비교 평가되었다. 실험 결과 ADSEL이 부분적 레이블 결측 조건에서 우수한 성능을 달성할 수 있음을 보여준다.