論文の概要: Bias Reducing Multitask Learning on Mental Health Prediction
- arxiv url: http://arxiv.org/abs/2208.03621v1
- Date: Sun, 7 Aug 2022 02:28:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:42:29.532740
- Title: Bias Reducing Multitask Learning on Mental Health Prediction
- Title（参考訳）: メンタルヘルス予測におけるマルチタスク学習のバイアス低減
- Authors: Khadija Zanna, Kusha Sridhar, Han Yu, Akane Sano
- Abstract要約: メンタルヘルスの検出や予測のための機械学習モデルの開発では、研究が増加している。
本研究では,マルチタスク学習に基づくバイアス緩和手法を不安予測モデルに適用し,公平性分析を行うことを目的とする。
分析の結果、我々の不安予測ベースモデルでは、年齢、収入、民族性、そして参加者が米国で生まれたかどうかに偏りが生じていた。
- 参考スコア（独自算出の注目度）: 18.32551434711739
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been an increase in research in developing machine learning models
for mental health detection or prediction in recent years due to increased
mental health issues in society. Effective use of mental health prediction or
detection models can help mental health practitioners re-define mental
illnesses more objectively than currently done, and identify illnesses at an
earlier stage when interventions may be more effective. However, there is still
a lack of standard in evaluating bias in such machine learning models in the
field, which leads to challenges in providing reliable predictions and in
addressing disparities. This lack of standards persists due to factors such as
technical difficulties, complexities of high dimensional clinical health data,
etc., which are especially true for physiological signals. This along with
prior evidence of relations between some physiological signals with certain
demographic identities restates the importance of exploring bias in mental
health prediction models that utilize physiological signals. In this work, we
aim to perform a fairness analysis and implement a multi-task learning based
bias mitigation method on anxiety prediction models using ECG data. Our method
is based on the idea of epistemic uncertainty and its relationship with model
weights and feature space representation. Our analysis showed that our anxiety
prediction base model introduced some bias with regards to age, income,
ethnicity, and whether a participant is born in the U.S. or not, and our bias
mitigation method performed better at reducing the bias in the model, when
compared to the reweighting mitigation technique. Our analysis on feature
importance also helped identify relationships between heart rate variability
and multiple demographic groupings.
- Abstract（参考訳）: 近年、社会におけるメンタルヘルス問題の増加により、メンタルヘルス検出や予測のための機械学習モデルの開発研究が増加している。
メンタルヘルス予測や検出モデルの効果的な利用は、メンタルヘルス実践者が現在よりも客観的に精神疾患を再定義し、介入がより効果的である可能性のある早期の疾患を特定するのに役立つ。
しかし、この分野の機械学習モデルにおけるバイアスの評価には、まだ標準の欠如があるため、信頼できる予測を提供し、異質な問題に対処することが困難になる。
この基準の欠如は、特に生理的信号に当てはまる、技術的困難、高次元臨床健康データ等の複雑さなどの要因によって続いている。
これは、一部の生理的信号と特定の人口統計的同一性との関係の以前の証拠と共に、生理的信号を利用するメンタルヘルス予測モデルにおけるバイアスの探索の重要性が再燃している。
本研究では,心電図データを用いた不安予測モデルに対して,公平性分析を行い,マルチタスク学習に基づくバイアス軽減手法を提案する。
本手法は認識的不確実性の概念とモデル重みと特徴空間表現との関係に基づいている。
その結果, 不安予測モデルでは, 年齢, 所得, 民族, および米国生まれか否かのバイアスがみられ, バイアス緩和手法は, 再強調緩和手法と比較して, モデルのバイアス低減効果が良好であった。
特徴的重要性に関する分析は、心拍変動と複数集団群との関係の同定にも役立った。
関連論文リスト
- Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Harnessing the Power of Hugging Face Transformers for Predicting Mental
Health Disorders in Social Networks [0.0]
本研究では、ユーザ生成データを用いて精神疾患の症状を予測する方法について検討する。
本研究は,Hugging Faceの4種類のBERTモデルと標準的な機械学習技術を比較した。
新しいモデルは、最大97%の精度で以前のアプローチより優れている。
論文 参考訳（メタデータ） (2023-06-29T12:25:19Z) - Precision psychiatry: predicting predictability [0.0]
私は精密精神医学の分野での10の課題をレビューします。
現実の人口と現実的な臨床結果の定義についての研究が必要である。
プラセボ効果や処方薬の非順守などの治療関連因子について検討する。
論文 参考訳（メタデータ） (2023-06-21T13:10:46Z) - Transformer-based normative modelling for anomaly detection of early
schizophrenia [1.291405125557051]
我々はニューロタイプ個体の3次元MRIスキャンでモデルを訓練した。
早期統合失調症の神経型コントロールと精神科患者の可能性について検討した。
論文 参考訳（メタデータ） (2022-12-08T18:22:36Z) - Bias Discovery in Machine Learning Models for Mental Health [0.0]
公平性と偏見は人工知能において重要な概念であるが、精神医学における機械学習の応用においては比較的無視されている。
我々は,臨床精神保健データに基づくモデルを用いて,公正度測定値とバイアス軽減戦略を算出した。
これは、実際の臨床精神医学データに基づいてトレーニングされた機械学習モデルにおけるバイアス探索と緩和の最初の応用である。
論文 参考訳（メタデータ） (2022-05-24T14:17:26Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - Improving Prediction of Cognitive Performance using Deep Neural Networks
in Sparse Data [2.867517731896504]
MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。
ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
論文 参考訳（メタデータ） (2021-12-28T22:23:08Z) - Deep Multi-task Learning for Depression Detection and Prediction in
Longitudinal Data [50.02223091927777]
うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。
機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。
本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-05T05:14:14Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z)
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。