감정과 효과: 뇌파 기반 감정 분류에서의 정규화 기반 지속 학습의 한계

Affect and Effect: Limitations of regularisation-based continual learning in EEG-based emotion classification

뇌파 기반 감정 분류에서 새로운 피험체에 대한 일반화는 피험체 간 및 피험체 내 변동성이 높기 때문에 여전히 어려운 과제입니다. 지속 학습(CL)은 여러 작업을 순차적으로 학습하면서 재앙적 망각을 완화하는 유망한 해결책을 제시합니다. 탄성 가중치 통합(EWC), 시냅스 지능(SI) 및 메모리 인식 시냅스(MAS)와 같은 정규화 기반 CL 방법은 뇌파 기반 CL 연구에서 일반적으로 기준선으로 사용되지만, 이러한 방법이 이 문제에 얼마나 적합한지는 충분히 연구되지 않았습니다. 본 연구는 이론적 및 실증적 분석을 통해 정규화 기반 CL 방법이 DREAMER 및 SEED 데이터 세트에서 뇌파 기반 감정 분류 성능에 제한적임을 확인했습니다. 우리는 정규화 기반 방법이 재앙적 망각(역방향 전이)을 완화하는 것을 우선시하여 새로운 피험체에 적응하는 것(정방향 전이)보다 안정성과 가소성의 균형이 근본적으로 일치하지 않는다는 것을 확인했습니다. 우리는 피험체 순차 학습 환경에서 이러한 제한점을 조사한 결과, (1) 파라미터 중요도를 추정하는 휴리스틱이 노이즈가 많은 데이터 및 공변량 변화 하에서 신뢰성이 떨어지며, (2) 이러한 휴리스틱에 의해 중요하다고 판단된 파라미터에 대한 기울기가 새로운 피험체에 필요한 기울기 업데이트에 간섭하여 최적화가 최소점에서 벗어나게 되며, (3) 작업 전체에 걸쳐 누적된 중요도 값이 모델을 과도하게 제약하고, (4) 성능이 피험체 순서에 민감하다는 것을 관찰했습니다. 정방향 전이는 순차적 미세 조정에 비해 통계적으로 유의미한 개선을 보이지 않았습니다(모든 접근 방식 및 데이터 세트에서 p > 0.05). 뇌파 신호의 높은 변동성은 과거 피험체가 미래 피험체에게 제한적인 가치를 제공한다는 것을 의미합니다. 따라서 정규화 기반 지속 학습 접근 방식은 뇌파 기반 감정 분류에서 새로운 피험체에 대한 강력한 일반화에 제한적입니다.

Generalisation to unseen subjects in EEG-based emotion classification remains a challenge due to high inter-and intra-subject variability. Continual learning (CL) poses a promising solution by learning from a sequence of tasks while mitigating catastrophic forgetting. Regularisation-based CL approaches, such as Elastic Weight Consolidation (EWC), Synaptic Intelligence (SI), and Memory Aware Synapses (MAS), are commonly used as baselines in EEG-based CL studies, yet their suitability for this problem remains underexplored. This study theoretically and empirically finds that regularisation-based CL methods show limited performance for EEG-based emotion classification on the DREAMER and SEED datasets. We identify a fundamental misalignment in the stability-plasticity trade-off, where regularisation-based methods prioritise mitigating catastrophic forgetting (backward transfer) over adapting to new subjects (forward transfer). We investigate this limitation under subject-incremental sequences and observe that: (1) the heuristics for estimating parameter importance become less reliable under noisy data and covariate shift, (2) gradients on parameters deemed important by these heuristics often interfere with gradient updates required for new subjects, moving optimisation away from the minimum, (3) importance values accumulated across tasks over-constrain the model, and (4) performance is sensitive to subject order. Forward transfer showed no statistically significant improvement over sequential fine-tuning (p > 0.05 across approaches and datasets). The high variability of EEG signals means past subjects provide limited value to future subjects. Regularisation-based continual learning approaches are therefore limited for robust generalisation to unseen subjects in EEG-based emotion classification.