Accurate recognition of emotions has many applications, but it is challenged by difficulties in collecting emotions in the wild. While naturally occurring emotions are expensive to collect, the inherent bias in their distribution further confounds the issue. The random sampling method frequently employed by researchers fails to overcome these limitations. We propose an adaptive sampling method based on active learning as an alternative to collect emotions with balanced distribution while reducing burdens on users. The effectiveness of adaptive sampling is empirically evaluated with the K-EmoCon, the dataset of continuous emotions and physiological signals collected in the context of naturalistic conversations. The tradeoff between collecting balanced data and querying informative samples is also explored with a parameterized query strategy.
일상적으로 발생하는 감정의 인식 기술은 다양한 활용처가 있지만 정확한 인식 기술의 개발은 자연 발생하는 감정들의 수집에 필요한 높은 비용과 감정들의 불균형한 분포로 인해 제한된다. 지금까지 사용되어 온 임의로 감정을 수집하는 방식은 위 문제들의 해결에 적합하지 않다. 따라서 이 논문에서는 능동 학습을 통한 감정의 적응적 수집 방법을 수집되는 감정의 분포를 더 고르게 하고 수집 대상자의 부담을 줄일 수 있는 대안으로 제안한다. 또한, 적응적 감정 수집 방식의 효과를 자연적인 대화 상황을 가정한 환경에서 생체 신호와 연속적인 감정을 수집한 K-EmoCon 데이터셋을 사용한 실험으로 살펴보며, 능동 학습에 있어 균형 잡힌 데이터의 수집과 학습에 유익한 샘플의 수집 간의 상관관계를 매개변수를 활용한 질의 전략으로 살펴본다.
