Emotional regulation improves deep learning-based image classification

Sintesi Tecnica: La Regolazione Emotiva Migliora la Classificazione di Immagini Basata sul Deep Learning

Problematica
I metodi esistenti per il deep learning aumentato dalle emozioni si basano principalmente su fattori neurofisiologici oggettivi, come le strutture anatomiche del cervello (ad esempio, amigdala, corteccia prefrontale) e i processi ormonali (ad esempio, dopamina, ansia, fiducia). Sebbene questi approcci abbiano mostrato potenziale, trascurano il ruolo della soggettività nelle risposte emotive. Le reazioni emotive umane non sono determinate esclusivamente dagli stati fisiologici, ma sono significativamente influenzate dall'esperienza soggettiva e dalla storia emotiva. Inoltre, studi precedenti in questo dominio spesso mancavano di architetture di apprendimento end-to-end o non erano stati validati su set diversificati di stimoli emotivi, limitando la robustezza e la generalizzazione dei risultati. Il documento affronta il divario nella modellazione dell'emozione artificiale incorporando l'esperienza soggettiva piuttosto che definizioni strettamente neurofisiologiche.

Metodologia: Il Framework di Regolazione Emotiva
Lo studio introduce la Regolazione Emotiva, un framework progettato per modellare l'emozione nel deep learning attraverso una "esperienza soggettiva artificiale". Il meccanismo centrale prevede il bilanciamento di predizioni non emotive e influenzate dalle emozioni sulla base di uno stato affettivo appreso.

1. Architettura: Il framework impiega tre encoder:

   • Encoder Non-emotivo ($E_n$): Il backbone originale (ResNet-50 o ViT-B/16) che produce rappresentazioni non emotive.
   • Encoder Influenzato dalle Emozioni ($E_i$): Apprende gli embedding concatenando le caratteristiche dell'Encoder Non-emotivo con quelle dell'Encoder Emotivo.
   • Encoder Emotivo ($E_e$): Una componente pre-addestrata e congelata che apprende una "storia emotiva" da un dataset di istanze stimolo-emozione. Esso produce un vettore dello spettro emotivo ($e$).

2. Processo di Regolazione ($R$): Un livello di regolazione apprendibile pesa gli output dei modelli Non-emotivo ($p_n$) e Influenzato dalle emozioni ($p_i$) in base all'esito emotivo ($\hat{e}$). La predizione finale ($p_r$) è calcolata come:
   $$p_r = \hat{e} \cdot h_r \cdot p_n + (1 - \hat{e} \cdot h_r) \cdot p_i$$
   Dove $h_r$ è un vettore di peso apprendibile che rappresenta l'intensità della regolazione per specifiche emozioni.

3. Fasi di Addestramento:

   • Pre-addestramento Emotivo: L'Encoder Emotivo è ottimizzato su un dataset emotivo specifico (ad esempio, EMOd, Diffused-EMOd, Abstract, EmoSet) per apprendere la mappatura tra stimoli visivi e categorie emotive.
   • Pre-addestramento: Gli encoder Non-emotivo e Influenzato dalle emozioni sono ottimizzati sul compito a valle (o mantenuti congelati).
   • Addestramento: L'intero sistema è ottimizzato, apprendendo il processo di regolazione ($h_r$) per bilanciare i due flussi di predizione.

4. Configurazioni Sperimentali: Gli autori hanno valutato diverse variazioni, tra cui la regolazione non apprendibile (pesi fissi), la regolazione apprendibile con encoder pre-addestrati fissi e configurazioni end-to-end completamente apprendibili. Gli esperimenti hanno utilizzato backbone ResNet-50 e ViT-B/16 pre-addestrati su ImageNet, perfezionati (fine-tuning) su CIFAR-10 e CIFAR-100.

Contributi Chiave

1. Approccio di Modellazione Novellativo: Propone la Regolazione Emotiva come metodo per definire gli stati affettivi nel deep learning attraverso l'esperienza soggettiva artificiale, colmando il divario lasciato dai modelli puramente neurofisiologici.
2. Estensione End-to-End: Estende il framework di Regolazione Emotiva ad architetture di apprendimento complete end-to-end, andando oltre i limiti delle precedenti implementazioni non end-to-end.
3. Validazione Robusta: Valida l'approccio attraverso quattro distinti dataset emotivi (stimoli della vita reale, immagini sintetiche generate da diffusione, dipinti astratti, set bilanciati su larga scala) per garantire la generalizzazione.
4. Prestazioni allo Stato dell'Arte: Dimostra che la Regolazione Emotiva supera le soluzioni esistenti aumentate dalle emozioni su benchmark di classificazione di immagini su larga scala (CIFAR-10 e CIFAR-100).

Risultati
Una sperimentazione estesa ha rivelato che le strategie di regolazione apprendibile hanno costantemente superato i backbone originali e i baseline non emotivi:

• Guadagni di Prestazione: Su CIFAR-10, la migliore configurazione (Rand-Learn-E-Reg con ViT) ha migliorato l'accuratezza dello 0,34% rispetto al backbone ViT. Su CIFAR-100, i miglioramenti hanno raggiunto l'1,02% per ViT e il 3,19% per ResNet.
• Confronto con il Lavoro Precedente: Il metodo proposto ha superato significativamente il modello AEmNN (un precedente stato dell'arte che utilizza la backpropagation emotiva) su CIFAR-10 e CIFAR-100, ottenendo punteggi di accuratezza rispettivamente del 97,32% e dell'86,24%, rispetto ai precedenti 54,76% e 27,53%.
• Dinamiche di Regolazione: Lo studio ha scoperto che l'intensità di regolazione ottimale non è fissa; varia significativamente a seconda della storia emotiva (dataset di pre-addestramento) e del compito a valle. Ad esempio, i modelli addestrati su Diffused-EMOd hanno mostrato una significativa regolazione di emozioni semanticamente contrastanti (ad esempio, paura vs felicità), mentre altri favorivano specifiche valenze.
• Approfondimenti dall'Ablazione: La regolazione apprendibile ha fornito costantemente miglioramenti, mentre la regolazione non apprendibile (fissa) non ha garantito guadagni rispetto al backbone. I risultati suggeriscono che un modello interamente influenzato dall'emozione non sempre migliora l'apprendimento; un meccanismo di regolazione è necessario per modulare la cognizione affettiva per una migliore generalizzazione.

Significato e Rivendicazioni
Il documento sostiene che la Regolazione Emotiva stabilisce un nuovo stato dell'arte nel deep learning aumentato dalle emozioni per dataset di visione su larga scala. Lo studio fornisce prove del fatto che l'esperienza soggettiva, modellata come una storia emotiva artificiale, è un fattore significativo per migliorare l'ottimizzazione del machine learning.

Gli autori sottolineano che il loro lavoro non pretende di replicare la cognizione umana o di equiparare i risultati artificiali agli studi empirici umani. Invece, il significato risiede nel dimostrare che l'introduzione della "soggettività artificiale" — tramite il bilanciamento di rappresentazioni emotive e non emotive attraverso un meccanismo di regolazione — migliora le capacità di generalizzazione delle reti neurali profonde. Il framework suggerisce che l'emozione agisce come un fattore cognitivo che, quando correttamente regolato, migliora l'apprendimento degli stimoli visivi, offrendo una strada promettente per future architetture nella computer vision e nell'interazione uomo-robot.