과학 기술의 발전과 함께 감정 연구의 중요성이 점점 더 분명해지고 있습니다. 뇌파 (Electroencephalography, EEG) 기반 감정 인식은 그 객관성과 높은 시간 해상도 (temporal resolution) 덕분에 최근 몇 년 동안 활발한 연구 분야로 떠올랐습니다. 그러나 기존의 대부분의 방법은 특징 추출 (feature extraction) 능력을 향상시키기 위해 인코더 (encoder) 구조를 최적화하는 데 집중하는 반면, 유사도 계산 전략에는 상대적으로 주의를 덜 기울이고 있으며, 특히 서로 다른 피험자 간의 반응에서 나타날 수 있는 잠재적인 시간적 불일치 (temporal misalignment)를 간과하고 있습니다. 이러한 단점을 해결하기 위해, 본 논문은 자연어 처리 (Natural Language Processing, NLP) 분야에서 ColBERT의 후기 상호작용 (late interaction) 메커니즘에서 영감을 얻어 시간적 비동기 정렬 기반 대조 학습 (Temporal Asynchronous Alignment-based Contrastive Learning, TA2CL) 프레임워크를 제안합니다. 이 방법은 전통적인 전역적 "하드 정렬 (hard alignment)" 유사도 계산 방식을 미세한 수준의 국소적 매칭 (fine-grained local matching) 메커니즘으로 변환하여, 모델이 두 EEG 신호 사이에서 "국소적으로 상관관계가 높은" 세그먼트를 적응적으로 탐색하고 정렬할 수 있도록 함으로써 피험자 간 차이와 시간 지연의 영향을 효과적으로 완화합니다. 실험 결과, 제안된 방법은 여러 공개 데이터셋에서 강력한 성능을 달성함을 입증했습니다. 구체적으로, FACED 데이터셋에서 9개 클래스 분류 작업에 대해 64.5%, 이진 분류 (binary classification) 작업에 대해 79.5%의 정확도를 달성하였으며, SEED 및 SEED-V 데이터셋에서는 각각 86.4%와 70.1%의 정확도를 달성하여 해당 방법의 유효성과 일반화 능력을 검증했습니다.