PriorProbe: 얼굴 표정 인식에서 개인별 신경망 개인화를 위한 개별 수준의 사전 지식 복원

PriorProbe: Recovering Individual-Level Priors for Personalizing Neural Networks in Facial Expression Recognition

개인 수준의 인지적 사전 지식을 통합하는 것은 신경망 개인화를 위한 중요한 방법이지만, 이러한 사전 지식을 정확하게 추출하는 것은 여전히 어려운 과제입니다. 기존 방법은 사전 지식을 고유하게 식별하는 데 실패하거나 체계적인 편향을 도입합니다. 본 논문에서는 Markov Chain Monte Carlo with People을 기반으로 하는 새로운 추출 방법인 PriorProbe를 소개합니다. PriorProbe는 세밀하고 개별적인 사전 지식을 복원합니다. 얼굴 표정 인식 작업에 초점을 맞춰, PriorProbe를 개별 참가자에게 적용하고, 복원된 사전 지식을 최첨단 신경망과 통합했을 때, 해당 신경망이 불분명한 자극에 대한 개인의 분류를 예측하는 능력이 향상되는지 테스트합니다. PriorProbe에서 얻은 사전 지식은 상당한 성능 향상을 가져왔으며, 신경망만 사용하거나 다른 사전 지식 소스를 사용하는 것보다 우수한 성능을 보였습니다. 또한, 네트워크가 정답 레이블에 대한 추론 능력을 유지했습니다. 이러한 결과는 PriorProbe가 심층 신경망을 개인화하기 위한 일반적이고 해석 가능한 프레임워크를 제공한다는 것을 보여줍니다.

Incorporating individual-level cognitive priors offers an important route to personalizing neural networks, yet accurately eliciting such priors remains challenging: existing methods either fail to uniquely identify them or introduce systematic biases. Here, we introduce PriorProbe, a novel elicitation approach grounded in Markov Chain Monte Carlo with People that recovers fine-grained, individual-specific priors. Focusing on a facial expression recognition task, we apply PriorProbe to individual participants and test whether integrating the recovered priors with a state-of-the-art neural network improves its ability to predict an individual's classification on ambiguous stimuli. The PriorProbe-derived priors yield substantial performance gains, outperforming both the neural network alone and alternative sources of priors, while preserving the network's inference on ground-truth labels. Together, these results demonstrate that PriorProbe provides a general and interpretable framework for personalizing deep neural networks.