PPDA
- attention bases pooling
- attention mechanism 방식이랑 관련 있는 건가요?
- 선행 연구 참고?
calibration phase
- 어떻게 하는 건지?
- private 인코더를 비교?
DG 와 DA 명확한 차이?
user experience
- 사용자가 알고리즘을 사용할 때 느끼는 경험인가요?
- 기존 알고리즘은 calibration time이 너무 long term 이어서 user experience가 구림
auto encoder ?
- 아직 공부 못함
서론
EEG data는 subject에 매우 의존적이다.
- subject 간의 변동이 크다.
이는 모델을 구축하는데 어려움을 가져온다.
기존 모델 학습법은 새로운 주제에서 많은 양의 데이터를 수집하고, 레이블을 붙이고 학습을 하는 방법이다.
- 이는 많은 시간 소요와 사용자 경험 저하를 만든다.
- 모델의 실용성이 떨어지게 된다.
이런 개인별 차이를 다루기 위해 transfer learning이 도입된다.
- 크게 DA(domain adaptation), DG(domain generalization)로 나눌 수 있다.
DA
- 모든 target data 사용으로 인해 비효율적이다.
DG
- target subject의 의존하지 않기에 generalization ability에 어려움을 겪는다.
short-term calibration stage 가 도입되는 것이 필요하다.
- before the real-time recognition starts
제한된 타겟 트레이닝 데이터에서 좋은 DA 결과를 이끄는 것은 어렵다.
제안
PPDA는 적은 unlabeled target data를 가지고 조절 가능하다.
- 정확도의 희생 없이
EEG 표현을 보편적인 감정 요소와 각 subject의 개인적인 요소로 나눈다.
개인적인 요소를 나누기 위해 LSTM Auto-Encoder Neural Net woek와 loss 함수를 사용했다.
- 그 과정에서 감정 인식에 의미 있는 표현을 생성한다.
그러나 공유된 감정 공간에서 만들어진 단일 공유 분류기는 새로운 피험자에게 한계가 있다고 생각한다.
- 이에 개별적인 피험자들의 분류기를 추가로 만들었다.
- 이는 새로운 피험자에 대해 레퍼런스를 제공하기 위함이다.
- 소수의 교정 데이터를 이용해 trained shared encoder와 decoder enforced가 적용된 새로운 피험자의 private encoder를 빠르게 구성할 수 있다.
- 즉 개인적인 요소의 유사성을 이용해 기존 individual classifiers의 정보를 가지고 target subjects의 감정 예측을 강화할 수 있다.