A Monotonicity Constrained Attention Module for Emotion Classification with Limited EEG Data

要約

この作業では、限られた、または比較的少数の脳波 (EEG) 信号を使用した感情分類のために、パラメーター効率の高い注意モジュールが提示されます。
このモジュールは、機能のグラム行列をアテンション行列に変換して機能を改良する際に、単調性に事前確率を組み込む機能があるため、単調性制約付き注意モジュール (MCAM) と呼ばれます。
私たちの実験では、MCAM の有効性は最先端のアテンション モジュールに匹敵するものであり、必要なパラメーターを減らしながら、予測におけるバックボーン ネットワークのパフォーマンスを向上させることができます。
さまざまな攻撃に関するトレーニング済みモデルの予測に関するいくつかの付随する感度分析も実行されます。
これらの攻撃には、さまざまな周波数ドメイン フィルタリング レベルと、複数のラベルに関連付けられたサンプル間での段階的なモーフィングが含まれます。
私たちの結果は、予測におけるさまざまなモジュールの動作をよりよく理解するのに役立ち、データが限られていてノイズがあるアプリケーションでガイダンスを提供できます。

要約(オリジナル)

In this work, a parameter-efficient attention module is presented for emotion classification using a limited, or relatively small, number of electroencephalogram (EEG) signals. This module is called the Monotonicity Constrained Attention Module (MCAM) due to its capability of incorporating priors on the monotonicity when converting features’ Gram matrices into attention matrices for better feature refinement. Our experiments have shown that MCAM’s effectiveness is comparable to state-of-the-art attention modules in boosting the backbone network’s performance in prediction while requiring less parameters. Several accompanying sensitivity analyses on trained models’ prediction concerning different attacks are also performed. These attacks include various frequency domain filtering levels and gradually morphing between samples associated with multiple labels. Our results can help better understand different modules’ behaviour in prediction and can provide guidance in applications where data is limited and are with noises.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google