본 논문은 뇌파(EEG) 기반 감정 인식을 위한 신경망 모델 학습에서 종종 간과되는 시간 척도 의존적 레이블 불일치(TsDLI) 문제를 다룹니다. TsDLI를 완화하고 모델의 일반화 및 설명 가능성을 향상시키기 위해, 국소 변화 손실(LVL)과 국소-전역 일관성 손실(LGCL)이라는 두 가지 새로운 정규화 전략을 제안합니다. 두 방법 모두 그래프 이론적 프레임워크 내에서 유계 변동 함수와 통근 시간 거리와 같은 고전적인 수학적 원리를 통합합니다. 새로운 평가 지표들을 통해 시간적으로 국소적인 예측과 관련된 전역적 감정 레이블 간의 정렬을 더 잘 포착합니다. DREAMER 및 DEAP라는 두 가지 널리 사용되는 EEG 감정 데이터 세트에서 LSTM 및 트랜스포머 기반 모델을 포함한 다양한 신경망 아키텍처에 대해 포괄적인 실험을 통해 접근 방식을 검증합니다. 정량적 정확도와 정성적 일관성을 모두 포함하는 5가지 구별되는 지표를 사용하여 성능을 평가합니다. 결과는 제안된 방법이 최첨단 기준 모델보다 우수한 성능을 제공하고 레이블 불일치 하에서 해석 가능성과 예측력 사이의 원칙적인 절충안을 제공함을 일관되게 보여줍니다. 특히 LVL은 모든 벤치마킹 백본과 지표에서 최고의 집계 순위를 달성하고 LGCL은 두 번째로 자주 순위를 차지하여 프레임워크의 효과를 강조합니다.
