論文の概要: Deep Learning for Suicide and Depression Identification with Unsupervised Label Correction

• arxiv url: http://arxiv.org/abs/2102.09427v1
• Date: Thu, 18 Feb 2021 15:40:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-19 18:23:11.440556
• Title: Deep Learning for Suicide and Depression Identification with Unsupervised Label Correction
• Title（参考訳）: 教師なしラベル補正による自殺・抑うつ診断の深層学習
• Authors: Ayaan Haque, Viraaj Reddi, and Tyler Giallanza
• Abstract要約: うつ病患者の自殺思考の早期発見は、適切な医療的注意と支援を可能にする。 最近のNLP研究は、個人が自殺的または臨床的に健康である場合、あるテキストから分類することに焦点を当てている。 本研究では,深層学習による自殺対分類手法であるSDCNLを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of suicidal ideation in depressed individuals can allow for adequate medical attention and support, which in many cases is life-saving. Recent NLP research focuses on classifying, from a given piece of text, if an individual is suicidal or clinically healthy. However, there have been no major attempts to differentiate between depression and suicidal ideation, which is an important clinical challenge. Due to the scarce availability of EHR data, suicide notes, or other similar verified sources, web query data has emerged as a promising alternative. Online sources, such as Reddit, allow for anonymity that prompts honest disclosure of symptoms, making it a plausible source even in a clinical setting. However, these online datasets also result in lower performance, which can be attributed to the inherent noise in web-scraped labels, which necessitates a noise-removal process. Thus, we propose SDCNL, a suicide versus depression classification method through a deep learning approach. We utilize online content from Reddit to train our algorithm, and to verify and correct noisy labels, we propose a novel unsupervised label correction method which, unlike previous work, does not require prior noise distribution information. Our extensive experimentation with multiple deep word embedding models and classifiers display the strong performance of the method in anew, challenging classification application. We make our code and dataset available at https://github.com/ayaanzhaque/SDCNL
• Abstract（参考訳）: うつ病患者の自殺観念の早期発見は、適切な医療的注意と支援を可能にし、多くの場合、命を救うことができる。 最近のNLP研究は、個人が自殺的または臨床的に健康である場合、あるテキストから分類することに焦点を当てている。 しかし、うつ病と自殺観念を区別する大きな試みは行われておらず、これは重要な臨床的課題である。 EHRデータや自殺メモなどの確認済み資料が不足しているため、Webクエリデータが有望な代替手段として現れている。 Redditなどのオンラインソースは、症状の正直な開示を促す匿名性を認めており、臨床現場でも信頼できる情報源となっている。 しかし、これらのオンラインデータセットは性能を低下させ、ノイズ除去プロセスを必要とするwebスクレイプラベルの固有のノイズに起因する可能性がある。 そこで本研究では,深層学習による自殺対抑うつ分類手法であるSDCNLを提案する。 redditのオンラインコンテンツを利用してアルゴリズムを学習し,ノイズラベルの検証と修正を行うため,従来の作業とは異なり,事前のノイズ分布情報を必要としない新しいラベル補正手法を提案する。 複数単語埋め込みモデルと分類器を用いた広範囲な実験は,新しい難解な分類法において,この手法の強い性能を示す。 コードとデータセットをhttps://github.com/ayaanzhaque/SDCNLで公開します。

関連論文リスト

• Enhancing Suicide Risk Detection on Social Media through Semi-Supervised Deep Label Smoothing [15.1082838217225]
  支援を受ける人への障壁には、社会的汚職やメンタルヘルスへのアクセスの欠如がある。 ソーシャルメディアの人気が高まり、人々はRedditなどのオンラインフォーラムで自分の感情を表現し、支援を求めるようになった。 ソーシャルメディアの投稿は、テキストの分類を用いて分類することができ、専門家の助けを借りて人々を結びつけるのに役立つ。 これらのシステムは、精神状態の分類において固有の不確実性を考慮していない。
  論文  参考訳（メタデータ） (2024-05-09T14:25:25Z)
• SOS-1K: A Fine-grained Suicide Risk Classification Dataset for Chinese Social Media Analysis [22.709733830774788]
  本研究では,自殺リスクの詳細な分類を目的とした,中国のソーシャルメディアデータセットを提案する。 事前訓練した7つのモデルについて, 自殺リスクが高い, 自殺リスクが少ない, 自殺リスクの細かい分類が0～10の2つのタスクで評価された。 ディープラーニングモデルは高い自殺リスクと低い自殺リスクを区別する上で優れた性能を示し、最良のモデルはF1スコア88.39%である。
  論文  参考訳（メタデータ） (2024-04-19T06:58:51Z)
• Non-Invasive Suicide Risk Prediction Through Speech Analysis [74.8396086718266]
  自動自殺リスク評価のための非侵襲的音声ベースアプローチを提案する。 我々は、wav2vec、解釈可能な音声・音響特徴、深層学習に基づくスペクトル表現の3つの特徴セットを抽出する。 我々の最も効果的な音声モデルは、6.6.2,%$のバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2024-04-18T12:33:57Z)
• A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
  我々は、最先端のOOD検出方法20について詳しく検討する。 不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-02T09:40:22Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [84.61367781175984]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• Leveraging Contextual Relatedness to Identify Suicide Documentation in Clinical Notes through Zero Shot Learning [8.57098973963918]
  本稿では,ゼロショット学習を通じて,このデータ空間の問題に対処することにより,臨床ノートの自殺を識別する新しい手法について述べる。 深層ニューラルネットワークは、トレーニング文書の内容を意味空間にマッピングすることで訓練された。 この手法は0.90の確率閾値を適用し、自殺を記録したICD 10 CMコードと関係のないメモを94%の精度で特定した。
  論文  参考訳（メタデータ） (2023-01-09T17:26:07Z)
• Transductive Linear Probing: A Novel Framework for Few-Shot Node Classification [56.17097897754628]
  自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。 この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
  論文  参考訳（メタデータ） (2022-12-11T21:10:34Z)
• An ensemble deep learning technique for detecting suicidal ideation from posts in social media platforms [0.0]
  本稿ではLSTM-Attention-CNN複合モデルを提案する。 提案されたモデルは90.3%の精度、F1スコア92.6%の精度を示した。
  論文  参考訳（メタデータ） (2021-12-17T15:34:03Z)
• Detecting Potentially Harmful and Protective Suicide-related Content on Twitter: A Machine Learning Approach [0.1582078748632554]
  我々は大量のTwitterデータを自動ラベル付けするために機械学習手法を適用した。 2つのディープラーニングモデルが2つの分類タスクで最高のパフォーマンスを達成した。 本研究は, 各種ソーシャルメディアコンテンツが自殺率, ヘルプ・サーキング行動に与える影響について, 今後の大規模調査を可能にするものである。
  論文  参考訳（メタデータ） (2021-12-09T09:35:48Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)

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。