Emotional regulation improves deep learning-based image classification

Resumen Técnico: La Regulación Emocional Mejora la Clasificación de Imágenes Basada en Aprendizaje Profundo

Declaración del Problema
Los métodos existentes para el aprendizaje profundo aumentado por emociones dependen principalmente de factores neurofisiológicos objetivos, como estructuras cerebrales anatómicas (por ejemplo, la amígdala, la corteza prefrontal) y procesos hormonales (por ejemplo, la dopamina, la ansiedad, la confianza). Si bien estos enfoques han mostrado resultados prometedores, descuidan el papel de la subjetividad en las respuestas emocionales. Las reacciones emocionales humanas no están determinadas únicamente por estados fisiológicos, sino que están significativamente influenciadas por la experiencia subjetiva y la historia emocional. Además, estudios previos en este dominio carecían de arquitecturas de aprendizaje de extremo a extremo o no fueron validados a través de conjuntos diversos de estímulos emocionales, lo que limita la robustez y la generalización de los resultados. El artículo aborda la brecha en el modelado de la emoción artificial mediante la incorporación de la experiencia subjetiva en lugar de definiciones estrictamente neurofisiológicas.

Metodología: El Marco de Regulación Emocional
El estudio introduce la Regulación Emocional, un marco diseñado para modelar la emoción en el aprendizaje profundo a través de una "experiencia subjetiva artificial". El mecanismo central consiste en equilibrar las predicciones no emocionales y las influenciadas por la emoción basándose en un estado afectivo aprendido.

1. Arquitectura: El marco emplea tres codificadores:

   • Codificador No Emocional ($E_n$): El backbone original (ResNet-50 o ViT-B/16) que produce representaciones no emocionales.
   • Codificador Influenciado por la Emoción ($E_i$): Aprende embeddings concatenando las características del Codificador No Emocional con las del Codificador Emocional.
   • Codificador Emocional ($E_e$): Un componente preentrenado y congelado que aprende una "historia emocional" de un conjunto de datos de instancias de estímulo-emoción. Produce un vector de espectro emocional ($e$).

2. Proceso de Regulación ($R$): Una capa de regulación aprendible pondera las salidas de los modelos No Emocional ($p_n$) e Influenciado por la Emoción ($p_i$) basándose en el resultado emocional ($\hat{e}$). La predicción final ($p_r$) se calcula como:
   $$p_r = \hat{e} \cdot h_r \cdot p_n + (1 - \hat{e} \cdot h_r) \cdot p_i$$
   Donde $h_r$ es un vector de peso aprendible que representa la intensidad de la regulación para emociones específicas.

3. Fases de Entrenamiento:

   • Preentrenamiento Emocional: El Codificador Emocional se optimiza en un conjunto de datos emocionales específico (por ejemplo, EMOd, Diffused-EMOd, Abstract, EmoSet) para aprender el mapeo entre los estímulos visuales y las categorías emocionales.
   • Preentrenamiento: Los codificadores No Emocional e Influenciado por la Emoción se optimizan en la tarea de seguimiento (o se mantienen congelados).
   • Entrenamiento: El sistema completo se optimiza, aprendiendo el proceso de regulación ($h_r$) para equilibrar los dos flujos de predicción.

4. Configuraciones Experimentales: Los autores evaluaron varias variaciones, incluyendo la regulación no aprendible (pesos fijos), la regulación aprendible con codificadores preentrenados fijos, y configuraciones de extremo a extremo totalmente aprendibles. Los experimentos utilizaron backbones ResNet-50 y ViT-B/16 preentrenados en ImageNet, ajustados (fine-tuned) en CIFAR-10 y CIFAR-100.

Contribuciones Clave

1. Enfoque de Modelado Novedoso: Propone la Regulación Emocional como un método para definir estados afectivos en el aprendizaje profundo a través de la experiencia subjetiva artificial, cerrando la brecha dejada por los modelos puramente neurofisiológicos.
2. Extensión de Extremo a Extremo: Extiende el marco de Regulación Emocional a arquitecturas de aprendizaje completas de extremo a extremo, yendo más allá de las limitaciones de las implementaciones previas que no eran de extremo a extremo.
3. Validación Robusta: Valida el enfoque a través de cuatro conjuntos de datos emocionales distintos (estímulos de la vida real, imágenes sintéticas generadas por difusión, pinturas abstractas y conjuntos equilibrados a gran escala) para asegurar la generalización.
4. Rendimiento de Vanguardia (SOTA): Demuestra que la Regulación Emocional supera a las soluciones de aumento de emoción existentes en tareas de clasificación de imágenes a gran escala (CIFAR-10 y CIFAR-100).

Resultados
La experimentación extensiva reveló que las estrategias de regulación aprendible superaron consistentemente a los backbones originales y a las bases no emocionales:

• Ganancias de Rendimiento: En CIFAR-10, la mejor configuración (Rand-Learn-E-Reg con ViT) mejoró la precisión en un 0.34% sobre el backbone ViT. En CIFAR-100, las mejoras alcanzaron el 1.02% para ViT y el 3.19% para ResNet.
• Comparación con Trabajo Previo: El método propuesto superó significativamente al modelo AEmNN (un estado de la cuestión anterior que utilizaba retropropagación emocional) en CIFAR-10 y CIFAR-100, logrando puntuaciones de precisión de 97.32% y 86.24% respectivamente, frente al 54.76% y 27.53% previos.
• Dinámicas de Regulación: El estudio encontró que la intensidad de regulación óptima no es fija; varía significativamente dependiendo de la historia emocional (conjunto de datos de preentrenamiento) y la tarea de seguimiento. Por ejemplo, los modelos entrenados en Diffused-EMOd mostraron una regulación significativa de emociones semánticamente contrastantes (por ejemplo, miedo vs. felicidad), mientras que otros favorecieron valencias específicas.
• Perspectivas de Ablación: La regulación aprendible proporcionó mejoras de manera consistente, mientras que la regulación no aprendible (fija) no garantizó ganancias sobre el backbone. Los resultados sugieren que un modelo enteramente influenciado por la emoción no siempre mejora el aprendizaje; un mecanismo de regulación es necesario para modular la cognición afectiva para una mejor generalización.

Significancia y Reivindicaciones
El artículo afirma que la Regulación Emocional establece un nuevo estado de la cuestión en el aprendizaje profundo aumentado por la emoción para conjuntos de datos de visión a gran escala. El estudio proporciona evidencia de que la experiencia subjetiva, modelada como una historia emocional artificial, es un factor significativo para mejorar la optimización del aprendizaje automático.

Los autores enfatizan que su trabajo no pretende replicar la cognición humana ni equiparar los resultados artificiales con estudios empíricos humanos. En cambio, la significancia radica en demostrar que la introducción de la "subjetividad artificial" —mediante el equilibrio de las representaciones emocionales y no emocionales a través de un mecanismo de regulación— mejora las capacidades de generalización de las redes neuronales profundas. El marco sugiere que la emoción actúa como un factor cognitivo que, cuando se regula adecuadamente, mejora el aprendizaje de los estímulos visuales, ofreciendo un camino prometedor para futuras arquitecturas en visión por computadora e interacción humano-robot.