論文の概要: Multimodal Privacy-preserving Mood Prediction from Mobile Data: A Preliminary Study

• arxiv url: http://arxiv.org/abs/2012.02359v1
• Date: Fri, 4 Dec 2020 01:44:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 20:31:07.104155
• Title: Multimodal Privacy-preserving Mood Prediction from Mobile Data: A Preliminary Study
• Title（参考訳）: モバイルデータによるマルチモーダルプライバシー保護モッド予測 : 予備研究
• Authors: Terrance Liu, Paul Pu Liang, Michal Muszynski, Ryo Ishii, David Brent, Randy Auerbach, Nicholas Allen, Louis-Philippe Morency
• Abstract要約: 精神的な健康状態は、先進医療に共通のアクセスを持つ国でも診断が不十分である。 人間の行動を監視するための有望なデータソースのひとつは、毎日のスマートフォンの利用だ。 リスクの高い青年の移動行動のデータセットを用いて行動マーカーや日常の気分を調査した。
• 参考スコア（独自算出の注目度）: 34.550824104906255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mental health conditions remain under-diagnosed even in countries with common access to advanced medical care. The ability to accurately and efficiently predict mood from easily collectible data has several important implications towards the early detection and intervention of mental health disorders. One promising data source to help monitor human behavior is from daily smartphone usage. However, care must be taken to summarize behaviors without identifying the user through personal (e.g., personally identifiable information) or protected attributes (e.g., race, gender). In this paper, we study behavioral markers or daily mood using a recent dataset of mobile behaviors from high-risk adolescent populations. Using computational models, we find that multimodal modeling of both text and app usage features is highly predictive of daily mood over each modality alone. Furthermore, we evaluate approaches that reliably obfuscate user identity while remaining predictive of daily mood. By combining multimodal representations with privacy-preserving learning, we are able to push forward the performance-privacy frontier as compared to unimodal approaches.
• Abstract（参考訳）: 精神的な健康状態は、先進医療に共通のアクセスを持つ国でも診断が不十分である。 容易に収集できるデータから気分を正確にかつ効率的に予測できる能力は、精神疾患の早期発見と介入にいくつかの重要な意味を持つ。 人間の行動を監視するための有望なデータソースのひとつは、毎日のスマートフォンの利用だ。 しかし、個人(例えば、個人識別可能な情報)や保護属性(例えば、人種、性別)を通じてユーザーを特定することなく、行動の要約に注意する必要がある。 本稿では,リスクの高い青年の移動行動のデータセットを用いて行動マーカーや日常の気分を調査する。 計算モデルを用いて、テキストとアプリの使用状況のマルチモーダルなモデリングは、各モーダルのみに対する日々のムードを高い精度で予測することを発見した。 さらに,日々の気分予測を継続しながら,ユーザのアイデンティティを確実に無視するアプローチを評価する。 マルチモーダル表現とプライバシ保護学習を組み合わせることで、単調なアプローチに比べてパフォーマンスプライバシのフロンティアを推し進めることができます。

関連論文リスト

• Multimodal Fusion with LLMs for Engagement Prediction in Natural Conversation [70.52558242336988]
  我々は,不関心や混乱の兆候を検出することを目的として,言語的および非言語的手がかりを精査することにより,ダイアディック的相互作用における係り合いを予測することに焦点を当てた。 本研究では,カジュアルなダイアディック会話に携わる34人の参加者を対象に,各会話の最後に自己報告されたエンゲージメント評価を行うデータセットを収集する。 大規模言語モデル(LLMs)を用いた新たな融合戦略を導入し,複数行動モダリティをマルチモーダル・トランスクリプトに統合する。
  論文  参考訳（メタデータ） (2024-09-13T18:28:12Z)
• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• Objective Prediction of Tomorrow's Affect Using Multi-Modal Physiological Data and Personal Chronicles: A Study of Monitoring College Student Well-being in 2020 [0.0]
  本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。 1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。 その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
  論文  参考訳（メタデータ） (2022-01-26T23:06:20Z)
• Reliable and Trustworthy Machine Learning for Health Using Dataset Shift Detection [7.263558963357268]
  予測不能なMLモデルの振る舞いは、特に健康領域において、その安全性に対する深刻な懸念を引き起こす。 マハラノビス距離およびグラム行列に基づく分布外検出法は,分布外データを高精度に検出できることを示す。 次に、アウト・オブ・ディストリビューションスコアを人間の解釈可能なConFIDENCE SCOREに変換し、ユーザーの健康MLアプリケーションとのインタラクションに与える影響を調査する。
  論文  参考訳（メタデータ） (2021-10-26T20:49:01Z)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• Covert Embodied Choice: Decision-Making and the Limits of Privacy Under Biometric Surveillance [6.92628425870087]
  我々は、視線、運動、その他の生理的信号を追跡するバーチャルリアリティータスクの結果を提示する。 参加者はさまざまな戦略を使っていますが、収集されたデータは選択肢(80%の精度)を非常に予測できるままです。 参加者のかなりの部分は難解化の努力にもかかわらず予測しやすくなり、おそらくアルゴリズム予測の力学に関する誤解の前兆を示している。
  論文  参考訳（メタデータ） (2021-01-04T04:45:22Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
  不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。 スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。 eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
  論文  参考訳（メタデータ） (2020-08-09T20:22:52Z)
• Jointly Predicting Job Performance, Personality, Cognitive Ability, Affect, and Well-Being [42.67003631848889]
  本研究では,身体的および生理的行動,心理的状態と特徴,職能を統合した個人予測分析のためのベンチマークを作成する。 我々は、データマイニング技術をベンチマークとして設計し、ウェアラブルセンサから得られた真のノイズと不完全なデータを用いて、12の標準化された精確なテストに基づいて19の構造を予測する。
  論文  参考訳（メタデータ） (2020-06-10T14:30:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。