Continual Learning e Classificazione delle Emozioni tramite EEG: Un'Analisi Critica

La classificazione delle emozioni basata su elettroencefalogramma (EEG) si scontra con la sfida della generalizzazione a soggetti mai visti prima, a causa dell'elevata variabilità tra i soggetti stessi e all'interno di ciascun soggetto. Il continual learning (CL) offre una potenziale soluzione, consentendo l'apprendimento da una sequenza di compiti mitigando il catastrophic forgetting.

Limiti dei Metodi di Regolarizzazione

Un recente studio ha esaminato le prestazioni dei metodi di CL basati sulla regolarizzazione, come Elastic Weight Consolidation (EWC), Synaptic Intelligence (SI) e Memory Aware Synapses (MAS), comunemente usati come base di partenza negli studi di CL basati su EEG. I risultati indicano che questi metodi mostrano prestazioni limitate nella classificazione delle emozioni basata su EEG sui dataset DREAMER e SEED.

I ricercatori hanno identificato un disallineamento fondamentale nel compromesso tra stabilità e plasticità. I metodi basati sulla regolarizzazione tendono a dare priorità alla mitigazione del catastrophic forgetting (backward transfer) rispetto all'adattamento a nuovi soggetti (forward transfer). In sequenze incrementali per soggetto, si è osservato che le euristiche per stimare l'importanza dei parametri diventano meno affidabili con dati rumorosi e covariate shift. Inoltre, i gradienti sui parametri considerati importanti interferiscono spesso con gli aggiornamenti dei gradienti necessari per nuovi soggetti, allontanando l'ottimizzazione dal minimo. I valori di importanza accumulati tra i compiti vincolano eccessivamente il modello e le prestazioni sono sensibili all'ordine dei soggetti. Il forward transfer non ha mostrato miglioramenti statisticamente significativi rispetto al sequential fine-tuning.

Conclusioni

L'alta variabilità dei segnali EEG implica che i soggetti passati forniscano un valore limitato ai soggetti futuri. Di conseguenza, gli approcci di continual learning basati sulla regolarizzazione sono limitati per una generalizzazione robusta a soggetti mai visti prima nella classificazione delle emozioni basata su EEG. Questo mette in discussione l'efficacia di tali metodi in contesti reali dove la variabilità dei dati è elevata.