Plutchik 이론의 적용을 통한 Mixture of Expert 모델 최적화

국문 초록 (Abstract)

감정은 인간의 행동, 의사소통, 그리고 의사결정 과정에서 핵심적인 역할을 하며, 개인 및 집단의 의사결정에 지대한 영향을 미친다. 이러한 감정의 중요성을 인식한 연구자들은 이를 체계적으로 이해하고 분석하기 위해 다양한 연구를 진행해 왔다. 본 연구에서는 Plutchik의 감정 이론과 Mixture of Experts (MoE) 구조를 결합하여 다중 레이블 감정 분류 성능을 개선하고자 하였다. 이를 통해 감정 간 상호작용을 효과적으로 모델링하고, MoE의 Expert 선택 경향을 분석하여 모델의 동작이 Plutchik의 감정 이론과 높은 일치도를 보이며 복잡한 감정을 보다 정확히 인식할 수 있음을 확인하였다.
그러나, MoE를 적용하는 과정에서, 일부 Expert에게 토큰이 과도하게 집중되는 현상이 발생하여 MoE의 효율적인 활용에 한계가 있었으며, Plutchik의 감정 이론에 기반한 레이블링 과정에서 발생할 수 있는 정보 손실 문제도 확인되었다.
본 연구에서는 이러한 한계를 극복하기 위해 레이블링 변환 과정에서 기존 정보에 미치는 영향을 분석하고, MoE 구조를 심화하여 감정 분류 성능을 더욱 향상시키고자 한다. 특히 Plutchik의 감정 이론을 기반으로 한 감정 레이블링의 효과를 정밀히 평가하고, MoE의 구조적 문제를 보완하여 복합 감정의 인식 성능을 개선하는 것을 목표로 하였다. 실험 결과, 본 연구에서 제안한 방법론이 기존 모델의 감정 분류 성능을 유의미하게 향상시켰음을 확인하였다.

다국어 초록 (Multilingual Abstract)

Emotion plays a vital role in human behavior, communication, and decision-making, profoundly affecting these processes. Recognizing its importance, researchers have continually sought to understand and analyze emotions more effectively. Previous research integrated Plutchik's emotion theory with the Mixture of Experts (MoE) framework to improve multi-label emotion classification, successfully modeling emotional interactions and analyzing expert selection tendencies. The findings indicated a significant alignment between the model's behavior and Plutchik's emotion theory, demonstrating effective recognition of complex emotions. However, challenges such as token concentration on specific experts limited the efficient use of MoE, and potential information loss during Plutchik-based labeling was identified.
To address these limitations, this study retains Plutchik's emotion theory while refining the transformation process to assess its impact on existing information and enhancing the MoE framework for improved emotion classification. Specifically, we conduct a detailed analysis of the effects of Plutchik-based emotion labeling and further develop the MoE structure to enhance the recognition of complex emotions. Experimental results indicate that the proposed approach significantly improves classification performance compared to previous methods, contributing to more effective modeling of emotional nuances.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 관련 연구 4
• 2.1. 심리학과 감정 컴퓨팅 4
• 2.2. Mixture of Expert 8
• 제3장 감정 분류 심화 모델 11
• 3.1. Plutchik 레이블링 11
• 3.2. Mixture of Emotion Expert 13
• 제4장 실험 설계 및 데이터셋 16
• 4.1. 실험 설정 16
• 4.2. 데이터셋 17
• 제5장 결과 및 평가 23
• 5.1. 평가 지표 23
• 5.2. 미세 변동 노이즈 24
• 5.3. Mixture of Expert 구조 실험 27
• 제6장 정성적 평가 32
• 6.1. 난해한 감정 분류 개선 32
• 6.2. 복합 감정 분류 개선 36
• 6.3. Expert 선택에 따른 감정 군집 38
• 제7장 결론 및 향후 연구 42
• 참고 문헌 44
• Abstract 51