Emotional regulation improves deep learning-based image classification

तकनीकी सारांश: भावनात्मक विनियमन (Emotional Regulation) डीप लर्निंग-आधारित छवि वर्गीकरण में सुधार करता है

समस्या विवरण
भावना-संवर्धित (emotion-augmented) डीप लर्निंग के मौजूदा तरीके मुख्य रूप से वस्तुनिष्ठ न्यूरोफिज़ियोलॉजिकल कारकों, जैसे कि शारीरिक मस्तिष्क संरचनाओं (जैसे एमिग्डाला, प्रीफ्रंटल कॉर्टेक्स) और हार्मोनल प्रक्रियाओं (जैसे डोपामाइन, चिंता, आत्मविश्वास) पर निर्भर करते हैं। हालांकि इन दृष्टिकोणों ने आशाजनक परिणाम दिखाए हैं, लेकिन वे भावनात्मक प्रतिक्रियाओं में विषयगतता (subjectivity) की भूमिका की उपेक्षा करते हैं। मानव भावनात्मक प्रतिक्रियाएं केवल शारीरिक अवस्थाओं द्वारा निर्धारित नहीं होती हैं, बल्कि वे विषयगत अनुभव और भावनात्मक इतिहास से भी महत्वपूर्ण रूप से प्रभावित होती हैं। इसके अलावा, इस क्षेत्र के पिछले अध्ययनों में अक्सर एंड-टू-एंड लर्निंग आर्किटेक्चर का अभाव था या उन्हें विविध भावनात्मक उद्दीपनों (stimuli) के सेट पर सत्यापित नहीं किया गया था, जिससे परिणामों की मजबूती और सामान्यीकरण (generalization) सीमित हो गया। यह शोध कृत्रिम भावना को केवल न्यूरोफिज़ियोलॉजिकल परिभाषाओं के बजाय विषयगत अनुभव को शामिल करके मॉडल करने के अंतराल को संबोधित करता है।

कार्यप्रणाली: भावनात्मक विनियमन ढांचा (The Emotional Regulation Framework)
यह अध्ययन इमोशनल रेगुलेशन (भावनात्मक विनियमन) प्रस्तुत करता है, जो एक ऐसा ढांचा है जिसे "कृत्रिम विषयगत अनुभव" के माध्यम से डीप लर्निंग में भावना को मॉडल करने के लिए डिज़ाइन किया गया है। मुख्य तंत्र में एक सीखे गए भावात्मक अवस्था (affective state) के आधार पर गैर-भावनात्मक और भावनात्मक रूप से प्रभावित भविष्यवाणियों को संतुलित करना शामिल है।

1. आर्किटेक्चर (Architecture): यह ढांचा तीन एनकोडर का उपयोग करता है:

   • गैर-भावनात्मक एनकोडर ($E_n$): मूल बैकबोन (ResNet-50 या ViT-B/16) जो गैर-भावनात्मक प्रतिनिधित्व उत्पन्न करता है।
   • भावनात्मक रूप से प्रभावित एनकोडर ($E_i$): यह नॉन-इमोशनल एनकोडर के फीचर्स को इमोशनल एनकोडर के फीचर्स के साथ जोड़कर (concatenate) एम्बेडिंग सीखता है।
   • भावनात्मक एनकोडर ($E_e$): एक फ्रोजन (frozen), प्री-ट्रेंड घटक, जो उद्दीपन-भावना (stimulus-emotion) के डेटासेट से एक "भावनात्मक इतिहास" सीखता है। यह एक भावनात्मक स्पेक्ट्रम वेक्टर ($e$) आउटपुट करता है।

2. विनियमन प्रक्रिया ($R$): एक सीखने योग्य विनियमन परत (learnable regulation layer) भावनात्मक परिणाम ($\hat{e}$) के आधार पर नॉन-इमोशनल ($p_n$) और इमोशनली-इन्फ्लुएंस्ड ($p_i$) मॉडल्स के आउटपुट को वेट करती है। अंतिम भविष्यवाणी ($p_r$) इस प्रकार की जाती है:
   $$p_r = \hat{e} \cdot h_r \cdot p_n + (1 - \hat{e} \cdot h_r) \cdot p_i$$
   जहाँ $h_r$ विशिष्ट भावनाओं के लिए विनियमन तीव्रता (regulation intensity) का प्रतिनिधित्व करने वाला एक सीखने योग्य वेट वेक्टर है।

3. प्रशिक्षण चरण (Training Phases):

   • भावनात्मक प्री-ट्रेनिंग (Emotional Pre-training): इमोशनल एनकोडर को एक विशिष्ट भावनात्मक डेटासेट (जैसे EMOd, Diffused-EMOd, Abstract, EmoSet) पर ऑप्टिमाइज़ किया जाता है ताकि विजुअल उद्दीपनों और भावनात्मक श्रेणियों के बीच मैपिंग सीखी जा सके।
   • प्री-ट्रेनिंग (Pre-training): नॉन-इमोशनल और इमोशनली-इन्फ्लुएंस्ड एनकोडर्स को डाउनस्ट्रीम टास्क पर ऑप्टिमाइज़ किया जाता है (या फ्रोजन रखा जाता है)।
   • प्रशिक्षण (Training): पूर्ण सिस्टम को ऑप्टिमाइज़ किया जाता है, जो दो प्रेडिक्शन स्ट्रीम्स को संतुलित करने के लिए विनियमन प्रक्रिया ($h_r$) को सीखता है।

4. प्रायोगिक विन्यास (Experimental Configurations): लेखकों ने कई विविधताओं का मूल्यांकन किया, जिनमें नॉन-लर्नेबल रेगुलेशन (फिक्स्ड वेट्स), फिक्स्ड प्री-ट्रेंड एनकोडर्स के साथ लर्नबल रेगुलेशन, और पूर्णतः लर्नबल एंड-टू-एंड कॉन्फ़िगरेशन शामिल थे। प्रयोगों में ImageNet पर प्री-ट्रेंड ResNet-50 और ViT-B/16 बैकबोन का उपयोग किया गया, जिन्हें CIFAR-10 और CIFAR-100 पर फाइन-ट्यून किया गया।

प्रमुख योगदान

1. नवीन मॉडलिंग दृष्टिकोण: कृत्रिम विषयगत अनुभव के माध्यम से डीप लर्निंग में भावात्मक अवस्थाओं को परिभाषित करने के एक तरीके के रूप में 'इमोशनल रेगुलेशन' का प्रस्ताव करता है, जो न्यूरोफिज़ियोलजिकल-ओनली मॉडल्स द्वारा छोड़े गए अंतर को पाटता है।
2. एंड-टू-एंड विस्तार: पिछले गैर-एंड-टू-एंड कार्यान्वयन की सीमाओं से आगे बढ़ते हुए, इमोशनल रेगुलेशन ढांचे को पूर्ण एंड-टू-एंड लर्निंग आर्किटेक्चर तक विस्तारित करता है।
3. मजबूत सत्यापन: दृष्टिकोण को चार अलग-अलग भावनात्मक डेटासेट्स (वास्तविक जीवन के उद्दीपन, सिंथेटिक डिफ्यूजन-जेनरेटेड इमेज, अमूर्त पेंटिंग, और बड़े पैमाने पर संतुलित सेट) में सत्यापित किया गया ताकि सामान्यीकरण सुनिश्चित हो सके।
4. स्टेट-ऑफ-द-आर्ट प्रदर्शन: यह प्रदर्शित करता है कि इमोशनल रेगुलेशन बड़े पैमाने के इमेज क्लासिफिकेशन बेंचमार्क (CIFAR-10 और CIFAR-100) पर मौजूदा इमोशन-अगमेंटेड समाधानों से बेहतर प्रदर्शन करता है।

परिणाम
व्यापक प्रयोगों से पता चला कि लर्नबल रेगुलेशन रणनीतियाँ लगातार ओरिजिनल बैकबोन और नॉन-इमोशनल बेसलाइन्स से बेहतर प्रदर्शन करती हैं:

• प्रदर्शन लाभ: CIFAR-10 पर, सबसे अच्छा कॉन्फ़िगरेशन (Rand-Learn-E-Reg के साथ ViT) ने ViT बैकबोन की तुलना में 0.34% का सुधार किया। CIFAR-100 पर, ViT के लिए सुधार 1.02% और ResNet के लिए 3.19% तक पहुँच गया।
• पिछले कार्य के साथ तुलना: प्रस्तावित विधि ने CIFAR-10 और CIFAR-100 पर AEmNN मॉडल (एक पिछला स्टेट-ऑफ-द-आर्ट जो इमोशनल बैकप्रोपैगेशन का उपयोग करता था) को काफी पीछे छोड़ दिया, जिसने क्रमशः 97.32% और 86.24% के सटीकता स्कोर प्राप्त किए, जबकि पिछले मॉडल के स्कोर 54.76% और 27.53% थे।
• विनियमन गतिशीलता (Regulation Dynamics): अध्ययन में पाया गया कि इष्टतम विनियमन तीव्रता (optimal regulation intensity) स्थिर नहीं है; यह भावनात्मक इतिहास (प्री-ट्रेनिंग डेटासेट) और डाउनस्ट्रीम टास्क के आधार पर काफी भिन्न होती है। उदाहरण के लिए, Diffused-EMOd पर प्रशिक्षित मॉडल्स नेกัน-विपरीत भावनाओं (जैसे डर बनाम खुशी) के महत्वपूर्ण विनियमन को दिखाया, जबकि अन्य मॉडल्स ने विशिष्ट वैलेंस (valences) को प्राथमिकता दी।
• एब्लेशन अंतर्दृष्टि (Ablation Insights): लर्नबल रेगुलेशन ने लगातार सुधार प्रदान किया, जबकि नॉन-लर्नेबल (फिक्स्ड) रेगुलेशन ने बैकबोन पर लाभ की गारंटी नहीं दी। परिणाम बताते हैं कि पूरी तरह से भावना से प्रभावित मॉडल हमेशा सीखने में सुधार नहीं करता है; बेहतर सामान्यीकरण के लिए एक विनियमन तंत्र आवश्यक है।

महत्व और दावे
लेख का दावा है कि इमोशनल रेगुलेशन बड़े पैमाने के विजन डेटासेट्स के लिए इमोशन-अगमेंटेड डीप लर्निंग में एक नया स्टेट-ऑफ-द-आर्ट स्थापित करता है। अध्ययन इस बात का प्रमाण देता है कि विषयगत अनुभव (subjective experience), जिसे एक कृत्रिम भावनात्मक इतिहास के रूप में मॉडल किया गया है, मशीन लर्निंग ऑप्टिमाइजेशन में सुधार करने वाला एक महत्वपूर्ण कारक है।

लेखक इस बात पर जोर देते हैं कि उनका कार्य मानव संज्ञान (human cognition) की नकल करने या कृत्रिम परिणामों की तुलना अनुभवजन्य मानव अध्ययनों से करने का दावा नहीं करता है। इसका महत्व यह प्रदर्शित करने में निहित है कि "कृत्रिम विषयगतता" को पेश करने से—एक विनियमन तंत्र के माध्यम से भावनात्मक और गैर-भावनात्मक प्रतिनिधित्वों को संतुलित करके—डीप न्यूरल नेटवर्क की सामान्यीकरण क्षमताओं में वृद्धि होती है। यह ढांचा सुझाव देता है कि भावना एक संज्ञानात्मक कारक के रूप में कार्य करती है, जिसे जब ठीक से विनियमित किया जाता है, तो यह विजुअल उद्दीपनों के सीखने में सुधार करती है, जो कंप्यूटर विजन और मानव-रोबोट इंटरेक्शन के लिए भविष्य के आर्किटेक्चर के लिए एक आशाजनक मार्ग प्रदान करती है।