Through the development of smartphones and wearable devices, research on human emotion recognition based on mobile sensing is becoming active. While previous studies showed good performance in emotion recognition, emotional signals collected from sensor data are highly heterogeneous depending on the user. In this work, we revisit the limitations of existing learning methods using small dataset, and contribute to creating personalization models using the concept of meta-learning, which can quickly adapt to new tasks for small samples. In this work, we compare random task sampling, cluster-based random sampling, and individual task sampling methods for meta-learning. results show that cluster-based random sampling has the best performance of 69% accuracy and 71% f1 score, and present a unique method for regularization methods to prevent overfitting during task sampling.
스마트폰 및 웨어러블 디바이스의 발전을 통하여 모바일 센싱기반 인간의 감정인식에 대한 연구가 활발해 지고 있다. 현재 감정인식에서 머신러닝과 딥러닝은 매우 좋은 성능을 보여주고 있지만, 센서데이터로부터 수집되는 감정 신호는 사용자에 따라 이질성이 크기 때문에 개인의 특성을 잘 파악하지 못한 일반화 된 모 델의 경우 잘못된 결과를 제공할 수 있다. 본 연구에서는 적은 데이터-라벨 쌍의 데이터셋을 이용하여 기존 학습 방법의 한계를 재조명하고, 적은 샘플에 대해서도 새로운 태스크에 빠르게 적응할 수 있는 메타러닝의 개념을 이용하여 개인화 모델을 만드는데 기여한다. 본 연구에서는 메타러닝을 위해 무작위 태스크 샘플링, 클러스터 기반 무작위 샘플링, 개인별 태스크 샘플링 방법을 비교한다. 실험 결과에서는 클러스터 기반 무작위 샘플링이 71%의 정확도와 70%의 f1 스코어의 가장 좋은 성능을 보이며, 태스크 샘플링 과정에서 과적합을 막기 위한 정규화 방법에 대한 고유의 방법을 제시한다.
