論文の概要: Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data

• arxiv url: http://arxiv.org/abs/2106.13213v1
• Date: Thu, 24 Jun 2021 17:46:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 15:21:47.174232
• Title: Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data
• Title（参考訳）: モバイルデータからのムードの学習言語とマルチモーダルプライバシー保護マーカー
• Authors: Paul Pu Liang, Terrance Liu, Anna Cai, Michal Muszynski, Ryo Ishii, Nicholas Allen, Randy Auerbach, David Brent, Ruslan Salakhutdinov, Louis-Philippe Morency
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.60507696087966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mental health conditions remain underdiagnosed 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 for the early detection, intervention, and treatment of mental health disorders. One promising data source to help monitor human behavior is daily smartphone usage. However, care must be taken to summarize behaviors without identifying the user through personal (e.g., personally identifiable information) or protected (e.g., race, gender) attributes. In this paper, we study behavioral markers of daily mood using a recent dataset of mobile behaviors from adolescent populations at high risk of suicidal behaviors. Using computational models, we find that language and multimodal representations of mobile typed text (spanning typed characters, words, keystroke timings, and app usage) are predictive of daily mood. However, we find that models trained to predict mood often also capture private user identities in their intermediate representations. To tackle this problem, we evaluate approaches that obfuscate user identity while remaining predictive. By combining multimodal representations with privacy-preserving learning, we are able to push forward the performance-privacy frontier.
• Abstract（参考訳）: 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。 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、介入、治療に重要な意味を持つ。 人間の行動を監視するための有望なデータソースの1つは、日々のスマートフォン利用である。 しかし、個人(例えば、個人識別可能な情報)や保護(例えば、人種、性別)属性を通し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,自殺行為のリスクが高い青年期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する。 計算モデルを用いて,移動型テキストの言語とマルチモーダル表現(スパンニング型文字,単語,キーストロークタイミング,アプリ利用)が日常の気分を予測できることがわかった。 しかし、気分を予測するために訓練されたモデルはしばしば、中間表現でプライベートなユーザIDをキャプチャする。 この問題に取り組むために,予測を保ちながらユーザアイデンティティを隠蔽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、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

• AWARE Narrator and the Utilization of Large Language Models to Extract Behavioral Insights from Smartphone Sensing Data [6.110013784860154]
  スマートフォンは健康関連行動や状況の追跡を促進し、デジタル表現に大きく貢献する。 本稿では,スマートフォンから収集したデータを構造化した時系列物語に体系的に変換する手法を提案する。 この枠組みを1週間にわたって大学生の収集したデータに適用し,個々の行動の要約に物語を活用する可能性を実証した。
  論文  参考訳（メタデータ） (2024-11-07T13:23:57Z)
• Leveraging LLMs to Predict Affective States via Smartphone Sensor Features [6.1930355276269875]
  デジタル表現型は、行動やメンタルヘルスを推測するために、パーソナルデジタルデバイスからデータを収集して分析する。 大型言語モデル(LLM)の出現は、スマートフォンのセンシングデータを理解するための新しいアプローチを提供する。 本研究は, 大学生のスマートフォンセンシングデータに基づいて, LLMを用いて影響を予測し, このギャップを埋めることを目的とする。
  論文  参考訳（メタデータ） (2024-07-11T07:37:52Z)
• 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)
• Exploring Memorization in Fine-tuned Language Models [53.52403444655213]
  我々は,タスク間の微調整中に,言語モデルの暗記を探索する最初の包括的分析を行う。 オープンソースと、さまざまなタスクにまたがる独自の微調整LMによる研究は、暗記が様々な微調整タスクの間に強い相違を示すことを示している。 本稿では,この課題の相違をスパース符号化理論を用いて直感的に説明し,暗記と注目スコア分布との強い相関関係を明らかにする。
  論文  参考訳（メタデータ） (2023-10-10T15:41:26Z)
• 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)
• 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)
• Multimodal Privacy-preserving Mood Prediction from Mobile Data: A Preliminary Study [34.550824104906255]
  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。
  論文  参考訳（メタデータ） (2020-12-04T01:44:22Z)
• Vyaktitv: A Multimodal Peer-to-Peer Hindi Conversations based Dataset for Personality Assessment [50.15466026089435]
  本稿では,ピアツーピアのHindi会話データセットであるVyaktitvを提案する。 参加者の高品質な音声とビデオの録音と、会話ごとにヒングリッシュのテキストによる書き起こしで構成されている。 データセットには、収入、文化的指向など、すべての参加者のための豊富な社会デコグラフィー的特徴が含まれています。
  論文  参考訳（メタデータ） (2020-08-31T17:44:28Z)
• 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)

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。