Efficient Solutions for Mitigating Initialization Bias in Unsupervised Self-Adaptive Auditory Attention Decoding

Résumé Technique : Solutions Efficaces pour Mitiger le Biais d'Initialisation dans le Décodage de l'Attention Auditive Auto-Adaptatif Non Supervisé

Énoncé du Problème
Le décodage de l'attention auditive (AAD - Auditory Attention Decoding) vise à identifier l'interlocuteur auquel un utilisateur prête attention dans un environnement multi-locuteurs en utilisant des signaux d'électroencéphalographie (EEG), une capacité cruciale pour les aides auditives pilotées par la neurostimation. Les méthodes de pointe actuelles nécessitent généralement un entraînement supervisé avec des étiquettes de vérité terrain de l'interlocuteur suivi, ce qui nécessite des sessions de calibration fastidieuses pour chaque utilisateur et chaque configuration EEG. Pour éliminer cette dépendance, un AAD auto-adaptatif non supervisé basé sur la reconstruction de stimulus a été développé. Cette approche initialise un décodeur avec des étiquettes d'attention aléatoires et affine itérativement le modèle en utilisant les étiquettes nouvellement prédites.

Cependant, ce processus auto-adaptatif non supervisé souffre d'un biais d'initialisation. Parce que le modèle s'entraîne et est testé sur les mêmes données à travers les itérations, il a tendance à renforcer les prédictions initiales (potentiellement incorrectes), ce qui provoque le blocage du système dans un état sous-optimal. Bien qu'une solution précédente de Heintz et al. [8] ait abordé ce problème en implémentant une validation croisée de type « leave-one-out » au sein de chaque itération, cette approche introduit une complexité computationnelle substantielle qui croît linéairement avec le nombre de segments de données ($K$), ce qui la rend impraticable pour des applications en temps réel ou adaptatives dans le temps.

Méthodologie
L'article propose trois alternatives computationnellement efficaces basées sur l'Analyse de Corrélation Canonique (CCA) qui atténuent le biais d'initialisation sans la lourde surcharge de calcul de la validation croisée. Les méthodes opèrent sur un scénario à 2 locuteurs (généralisable à $N$ locuteurs) où les signaux EEG ($X$) et les caractéristiques de la parole ($S_1, S_2$) sont traités par segments.

1. Version à deux encodeurs :
   Contrairement au modèle de base à encodeur unique qui optimise uniquement les caractéristiques de l'interlocuteur attentif ($S_a$), cette variante introduit un second encodeur pour les caractéristiques de l'interlocuteur non attentif ($S_u$). Les deux encodeurs partagent un seul décodeur EEG ($W_x$). L'objectif est de maximiser conjointement la corrélation entre l'EEG et les caractéristiques des deux interlocuteurs. L'hypothèse est qu'en forçant le décodeur à prendre en compte les réponses aux deux interlocuteurs, le modèle devient moins susceptible d'être « attiré » par une parole mal étiquetée, augmentant ainsi la robustesse aux erreurs d'étiquetage et la capacité de récupération après des erreurs initiales.

2. Version « Soft » (Souple) :
   Au lieu de faire des assignations binaires strictes (prêter attention au Locuteur 1 ou 2) pour chaque segment, cette méthode assigne des poids probabilistes ($p_{1k}, p_{2k}$) basés sur l'incertitude de la prédiction. Les statistiques utilisées pour la CCA ($R_{xa}$ et $R_{aa}$) sont calculées à l'aide d'une somme pondérée des caractéristiques des locuteurs ($p_{1k}S_{1k} + p_{2k}S_{2k}$). Les probabilités sont estimées via une approche non supervisée propre au sujet, qui modélise la distribution des corrélations canoniques pour les locuteurs attentifs et non attentifs comme deux distributions gaussiennes. Cela fournit un juste milieu principalisé, maintenant la structure optimale à encodeur unique tout en incorporant de manière adaptative l'information des deux locuteurs lorsque le modèle est incertain.

3. Encodeur unique à initialisation par somme :
   Cette approche traite le biais dès la toute première étape. Plutôt que de s'initialiser avec des étiquettes aléatoires, le modèle est entraîné lors de la première itération en utilisant un signal composite formé par la somme des caractéristiques des deux locuteurs. Cela correspond à fixer les probabilités initiales à $p_{1k} = p_{2k} = 0,5$. L'hypothèse est que cela fournit un point de départ informatif qui capture les réponses neurales communes aux deux locuteurs, empêchant le cycle d'auto-entretien du biais d'étiquetage découlant d'une initialisation aléatoire arbitraire.

Principales Contributions

• Efficacité Algorithmique : L'article présente trois méthodes qui atteignent des performances comparables à la base de référence par validation croisée [8] mais avec des coûts computationnels nettement inférieurs et constants.
• Scalabilité : Contrairement à la méthode de validation croisée, dont le temps de calcul augmente linéairement avec la taille du jeu de données (nécessitant $K$ entraînements de modèles par itération), les méthodes proposées ne nécessitent qu'un seul entraînement de modèle par itération.
• Atténuation du Biais : Les variantes proposées parviennent à briser le cycle du biais d'initialisation inhérent à l'AAD auto-adaptatif standard, permettant au modèle de converger vers des solutions de meilleure qualité sans l'étape coûteuse de validation croise interne.

Résultats Expérimentaux
Les méthodes ont été évaluées sur un ensemble de données publiques contenant des enregistrements EEG à 64 canaux de 16 sujets écoutant l'un des deux locuteurs concurrents. La performance a été mesurée dans des contextes transductifs (prédiction sur les données d'entraînement) et inductifs (généralisation à des données non vues).

• Précision :
  • L'Encodeur unique à initialisation par somme surpasse systématiquement la méthode à deux encodeurs et est particulièrement efficace avec des données d'entraînement limitées (5 à 15 minutes).
  • La Version « Soft » est moins performante sur les petits jeux de données mais approche la précision de la variante par validation croisée à mesure que la taille de l'ensemble d'entraînement augmente.
  • En général, la suppression du biais d'initialisation produit des améliorations plus marquées pour le décodage transductif.
• Coût Computationnel :
  • Le temps CPU de la base de référence par validation croisée augmentait linéairement, atteignant environ 30 fois le coût de base pour des ensembles d'entraînement de 45 minutes.
  • Les méthodes Deux Encodeurs et « Soft » maintiennent un temps CPU normalisé constant d'environ 1,5× par rapport à la base.
  • La méthode Initialisation par Somme correspond au coût computationnel de la base (1,0×).

Signification et Revendications
Les auteurs affirment que ces solutions rendent l'AAD auto-adaptatif non supervisé nettement plus viable pour des implémentations en temps réel ou adaptatives dans le temps [9]. En éliminant le besoin d'une validation croisée coûteuse tout en maintenant la robustesse contre le biais d'initialisation, les méthodes proposées offrent une voie pratique pour le déploiement de dispositifs auditifs neuro-pilotés sans le fardeau de sessions de calibration fréquentes et étiquetées. L'article souligne que pour les petits jeux de données, l'approche par Initialisation par Somme est la plus performante avec un surcoût computationnel minimal, tandis que la méthode des étiquettes « Soft » devient compétitive pour les jeux de données plus importants, offrant une alternative à faible coût au standard d'excellence de la validation croisée.