論文の概要: A Picture May Be Worth a Thousand Lives: An Interpretable Artificial
Intelligence Strategy for Predictions of Suicide Risk from Social Media
Images
- arxiv url: http://arxiv.org/abs/2302.09488v1
- Date: Sun, 19 Feb 2023 06:18:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 18:08:39.626888
- Title: A Picture May Be Worth a Thousand Lives: An Interpretable Artificial
Intelligence Strategy for Predictions of Suicide Risk from Social Media
Images
- Title(参考訳): ソーシャルメディア画像から自殺リスクを予測するための、解釈可能な人工知能戦略
- Authors: Yael Badian, Yaakov Ophir, Refael Tikochinski, Nitay Calderon, Anat
Brunstein Klomek, Roi Reichart
- Abstract要約: 本研究は、画像から有効な自殺リスクのハイブリッド予測モデルを構築するための理論駆動戦略とボトムアップ戦略を組み合わせる。
データセットには、ゴールドスタンダードの自殺スケールを完了した841人のFacebookユーザーによる177,220枚の画像が含まれている。
- 参考スコア(独自算出の注目度): 14.219362075515573
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The promising research on Artificial Intelligence usages in suicide
prevention has principal gaps, including black box methodologies, inadequate
outcome measures, and scarce research on non-verbal inputs, such as social
media images (despite their popularity today, in our digital era). This study
addresses these gaps and combines theory-driven and bottom-up strategies to
construct a hybrid and interpretable prediction model of valid suicide risk
from images. The lead hypothesis was that images contain valuable information
about emotions and interpersonal relationships, two central concepts in
suicide-related treatments and theories. The dataset included 177,220 images by
841 Facebook users who completed a gold-standard suicide scale. The images were
represented with CLIP, a state-of-the-art algorithm, which was utilized,
unconventionally, to extract predefined features that served as inputs to a
simple logistic-regression prediction model (in contrast to complex neural
networks). The features addressed basic and theory-driven visual elements using
everyday language (e.g., bright photo, photo of sad people). The results of the
hybrid model (that integrated theory-driven and bottom-up methods) indicated
high prediction performance that surpassed common bottom-up algorithms, thus
providing a first proof that images (alone) can be leveraged to predict
validated suicide risk. Corresponding with the lead hypothesis, at-risk users
had images with increased negative emotions and decreased belonginess. The
results are discussed in the context of non-verbal warning signs of suicide.
Notably, the study illustrates the advantages of hybrid models in such
complicated tasks and provides simple and flexible prediction strategies that
could be utilized to develop real-life monitoring tools of suicide.
- Abstract(参考訳): 自殺予防における人工知能の使用に関する有望な研究は、ブラックボックスの方法論、不十分な結果対策、ソーシャルメディア画像などの非言語的入力に関する研究(今日のデジタル時代における彼らの人気にもかかわらず)など、主要なギャップがある。
本研究ではこれらのギャップに対処し、画像から有効な自殺リスクのハイブリッドかつ解釈可能な予測モデルを構築するための理論駆動戦略とボトムアップ戦略を組み合わせる。
先導的な仮説は、イメージには感情と対人関係、自殺関連の治療と理論の2つの中心的な概念に関する貴重な情報が含まれるというものだった。
データセットには、ゴールドスタンダードの自殺スケールを完了した841人のFacebookユーザーによる177,220の画像が含まれている。
画像は最先端のアルゴリズムであるCLIPで表現され、このアルゴリズムは、(複雑なニューラルネットワークとは対照的に)単純なロジスティック回帰予測モデルの入力として機能する事前定義された特徴を抽出した。
これらの特徴は、日常言語(例えば、明るい写真、悲しい人々の写真)を用いた基本的な、理論駆動の視覚要素に対処した。
ハイブリッドモデル(理論駆動法とボトムアップ法を統合した)の結果は、一般的なボトムアップアルゴリズムを超える高い予測性能を示し、画像(すべて)を有効活用して自殺リスクを予測する最初の証拠となった。
リード仮説に対応して、リスクの高いユーザーはネガティブな感情が高まり、親近感が低下する画像を持っていた。
この結果は,非言語的自殺警告の文脈で議論されている。
特に、この研究は複雑なタスクにおけるハイブリッドモデルの利点を示し、自殺のリアルタイム監視ツールの開発に使用できるシンプルで柔軟な予測戦略を提供する。
関連論文リスト
- Conceptualizing Suicidal Behavior: Utilizing Explanations of Predicted
Outcomes to Analyze Longitudinal Social Media Data [2.76101452577748]
新型コロナウイルスのパンデミックは世界中でメンタルヘルスの危機をエスカレートしている。
自殺は、恥、虐待、放棄、うつ病のような精神状態などの社会的要因によって引き起こされる。
これらの状況が発展するにつれて、自殺的思考の兆候がソーシャルメディアの相互作用に現れる可能性がある。
論文 参考訳(メタデータ) (2023-12-13T17:15:12Z) - Skin Lesion Diagnosis Using Convolutional Neural Networks [0.30458514384586394]
本研究の目的は,様々な分野から画像分類のための最先端技術を収集し,この問題に対処することである。
モデルは8012画像のデータセットを用いて訓練され、その性能は2003画像を用いて評価された。
このモデルは、手作りの機能抽出を必要とせずに、イメージからラベルに直接、エンドツーエンドでトレーニングされています。
論文 参考訳(メタデータ) (2023-05-18T17:15:08Z) - Semi-supervised Fashion Compatibility Prediction by Color Distortion
Prediction [38.97384476324863]
教師付き学習手法は、大規模ラベル付きデータセットが必須であるという事実に悩まされてきた。
低レベル画像情報の認識をベースラインに強制する一般的な色歪み予測タスクを提案する。
提案されたプレテキストタスクをベースラインに適用すると、元のベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2022-12-27T05:33:23Z) - Order-Disorder: Imitation Adversarial Attacks for Black-box Neural
Ranking Models [48.93128542994217]
ブラックボックスニューラルパスランキングモデルに対する模倣逆攻撃を提案する。
重要クエリ/候補を列挙することで,対象経路ランキングモデルを透明化し,模倣することができることを示す。
また,一対の目的関数によって強化された革新的な勾配に基づく攻撃手法を提案し,敵の引き金を発生させる。
論文 参考訳(メタデータ) (2022-09-14T09:10:07Z) - 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) - Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。
攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。
我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
論文 参考訳(メタデータ) (2021-08-24T17:59:09Z) - What Image Features Boost Housing Market Predictions? [81.32205133298254]
本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。
本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。
ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
論文 参考訳(メタデータ) (2021-07-15T06:32:10Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳(メタデータ) (2020-12-06T20:30:26Z) - Geometry-Inspired Top-k Adversarial Perturbations [68.32598950136504]
単純な多目的最適化としてのTop-k逆例。
Top-k Universal Adversarial Perturbationsは、画像に依存しない小さな摂動であり、ほとんどの自然画像のTop-k予測の中で真のクラスが欠落する原因となっている。
論文 参考訳(メタデータ) (2020-06-28T18:05:57Z)
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。