[논문] MambaGaze: 눈동자 추적 데이터로 인지 부하를 평가하기 위한 명시적 결측 데이터 모델링을 갖춘 양방향 Mamba

출처: arXiv - 2605.22775v1

개요

눈동자 추적 신호를 이용한 실시간 인지 부하 평가가 운전자 경계 모니터링이나 자동화된 조종석 지원과 같은 안전이 중요한 인간 중심 AI를 적응적으로 구현할 수 있게 할 잠재력을 가지고 있지만, 두 가지 과제가 남아 있습니다: 깜박임 및 추적 실패로 인한 빈번한 데이터 결손 처리와 장기 시계열 종속성을 효율적으로 모델링하는 것. 우리는 이러한 문제를 해결하기 위해 1) 관측 마스크와 시간 차이를 원시 특징에 추가하여 데이터 불확실성을 명시적으로 모델링하는 XMD 인코딩, 2) 선형 연산 복잡도로 시계열 종속성을 포착하는 양방향 Mamba-2를 결합한 MambaGaze 프레임워크를 제안합니다. CLARE와 CL-Drive 데이터셋에 대해 피험자 단위 교차 검증(leave‑one‑subject‑out) 실험을 수행한 결과, MambaGaze는 각각 76.8%와 73.1%의 정확도를 달성했으며, 이는 CNN, Transformer, ResNet, VGG 베이스라인보다 412 퍼센트 포인트 높은 성능입니다. NVIDIA Jetson 플랫폼에서의 엣지 배포 벤치마크는 전력 소비 7.5W 이하, 초당 4368프레임(FPS)의 실시간 추론을 보여, 착용형 인지 부하 모니터링에 대한 실현 가능성을 확인했습니다.

주요 기여

이 논문은 다음 분야의 연구를 다룹니다:

• cs.LG
• cs.AI
• cs.HC

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

본 연구는 cs.LG 분야의 발전에 기여합니다.

저자

• Amir Mousavi
• Mohammad Sadegh Sirjani
• Erfan Nourbakhsh
• Mimi Xie
• Rocky Slavin
• Leslie Neely
• John Davis
• John Quarles

논문 정보

• arXiv ID: 2605.22775v1
• 분류: cs.LG, cs.AI, cs.HC
• 발표일: 2026년 5월 21일
• PDF: PDF 다운로드