論文の概要: Dynamic Graph Representation Learning for Depression Screening with
Transformer
- arxiv url: http://arxiv.org/abs/2305.06447v1
- Date: Wed, 10 May 2023 20:34:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 16:35:01.313389
- Title: Dynamic Graph Representation Learning for Depression Screening with
Transformer
- Title（参考訳）: 変圧器を用いた抑うつスクリーニングのための動的グラフ表現学習
- Authors: Ai-Te Kuo, Haiquan Chen, Yu-Hsuan Kuo, Wei-Shinn Ku
- Abstract要約: ソーシャルメディアプラットフォームは、メンタルヘルスを調査し、精神疾患の事例を検出する研究機会を提供する。
既存の抑うつ検出手法は,特徴工学への依存と時間的要因の考慮の欠如により制約される。
提案するContrastEgoは,各ユーザを動的時間進化型属性グラフ(ego-network)として扱う。
ContrastEgoは、様々な実験環境におけるすべての有効性指標において、最先端の手法を著しく上回っていることを示す。
- 参考スコア（独自算出の注目度）: 13.551342607089184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early detection of mental disorder is crucial as it enables prompt
intervention and treatment, which can greatly improve outcomes for individuals
suffering from debilitating mental affliction. The recent proliferation of
mental health discussions on social media platforms presents research
opportunities to investigate mental health and potentially detect instances of
mental illness. However, existing depression detection methods are constrained
due to two major limitations: (1) the reliance on feature engineering and (2)
the lack of consideration for time-varying factors. Specifically, these methods
require extensive feature engineering and domain knowledge, which heavily rely
on the amount, quality, and type of user-generated content. Moreover, these
methods ignore the important impact of time-varying factors on depression
detection, such as the dynamics of linguistic patterns and interpersonal
interactive behaviors over time on social media (e.g., replies, mentions, and
quote-tweets). To tackle these limitations, we propose an early depression
detection framework, ContrastEgo treats each user as a dynamic time-evolving
attributed graph (ego-network) and leverages supervised contrastive learning to
maximize the agreement of users' representations at different scales while
minimizing the agreement of users' representations to differentiate between
depressed and control groups. ContrastEgo embraces four modules, (1)
constructing users' heterogeneous interactive graphs, (2) extracting the
representations of users' interaction snapshots using graph neural networks,
(3) modeling the sequences of snapshots using attention mechanism, and (4)
depression detection using contrastive learning. Extensive experiments on
Twitter data demonstrate that ContrastEgo significantly outperforms the
state-of-the-art methods in terms of all the effectiveness metrics in various
experimental settings.
- Abstract（参考訳）: 精神障害の早期発見は、迅速な介入と治療を可能にするため不可欠であり、精神疾患の緩和に苦しむ個人にとって、成果を大きく改善することができる。
ソーシャルメディアプラットフォーム上でのメンタルヘルスに関する議論の高まりは、メンタルヘルスを調査し、精神疾患の事例を検出する研究機会を提供する。
しかし,既存の抑うつ検出法は,(1)特徴工学への依存,(2)時間変化要因に対する考慮の欠如という2つの大きな制約により制約されている。
具体的には、これらの方法には広範な機能工学とドメイン知識が必要であり、ユーザー生成コンテンツの量、品質、タイプに大きく依存している。
さらに、これらの手法は、ソーシャルメディア上での言語パターンのダイナミクスや対人的対話行動(リプライ、言及、引用ツイートなど)など、うつ病検出における時間変化要因の重要な影響を無視している。
これらの制約に対処するために,con contrastegoでは,各ユーザを動的時間発展型属性グラフ (ego-network) として扱うとともに,教師付きコントラスト学習を用いて異なるスケールでのユーザ表現の一致を最大化するとともに,ユーザ表現の一致を最小化し,抑うつとコントロールグループを区別する。
ContrastEgoは,(1)ユーザの異種対話グラフの構築,(2)グラフニューラルネットワークを用いたユーザのインタラクションスナップショットの表現抽出,(3)注意機構を用いたスナップショットのシーケンスのモデル化,(4)コントラスト学習を用いた抑うつ検出の4つのモジュールを包含する。
twitterのデータによる広範囲な実験は、con contrastegoがさまざまな実験環境でのすべての有効性指標において最先端のメソッドを著しく上回っていることを示している。
関連論文リスト
- They Look Like Each Other: Case-based Reasoning for Explainable Depression Detection on Twitter using Large Language Models [3.5904920375592098]
ProtoDepはTwitterベースの抑うつ検出のための新しい説明可能なフレームワークである。
ProtoDepは、(i)ツイートとユーザ毎の症状レベルの説明、(ii)ユーザと類似した個人を比較したケースベースの説明、(iii)分類重みによる透明な意思決定の3つのレベルで透明な説明を提供する。
論文 参考訳（メタデータ） (2024-07-21T20:13:50Z) - Heterogeneous Subgraph Network with Prompt Learning for Interpretable Depression Detection on Social Media [5.570905441172371]
ソーシャルメディアにおける早期うつ病検出に関する既存の研究は、解釈可能性に欠けていた。
本稿では,プロンプト学習を用いた異種サブグラフネットワークを利用した新しい手法を提案する。
提案手法はソーシャルメディア上での抑うつ検出の最先端手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-07-12T06:20:59Z) - EmoScan: Automatic Screening of Depression Symptoms in Romanized Sinhala Tweets [0.0]
この研究は、抑うつのリスクがある個人を特定するために、ロマタイズド・シンハラのソーシャルメディアデータの利用を探求する。
言語パターン、感情、行動の手がかりを分析することにより、抑うつ症状の自動スクリーニングのための機械学習ベースのフレームワークが提示される。
論文 参考訳（メタデータ） (2024-03-28T10:31:09Z) - The Relationship Between Speech Features Changes When You Get Depressed:
Feature Correlations for Improving Speed and Performance of Depression
Detection [69.88072583383085]
この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。
このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
論文 参考訳（メタデータ） (2023-07-06T09:54:35Z) - A Simple and Flexible Modeling for Mental Disorder Detection by Learning
from Clinical Questionnaires [0.2580765958706853]
そこで本研究では,テキストから直接意味を抽出し,症状に関連する記述と比較する手法を提案する。
詳細な分析により,提案モデルがドメイン知識の活用,他の精神疾患への伝達,解釈可能な検出結果の提供に有効であることが示唆された。
論文 参考訳（メタデータ） (2023-06-05T15:23:55Z) - Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。
本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
論文 参考訳（メタデータ） (2023-02-05T22:33:49Z) - Semantic Similarity Models for Depression Severity Estimation [53.72188878602294]
本稿では、ソーシャルメディアの文章に基づいて、個人のうつ病の重症度を研究するための効率的なセマンティックパイプラインを提案する。
我々は,抑うつ症状と重度レベルに対応する代表訓練文の指標に対して意味的ランキングを生成するために,テストユーザ文を使用する。
本手法を2つのRedditベースのベンチマークで評価し,うつ病の重症度を指標として,最先端技術よりも30%改善した。
論文 参考訳（メタデータ） (2022-11-14T18:47:26Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳（メタデータ） (2022-07-20T13:37:57Z) - 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) - 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) - Multimodal Depression Severity Prediction from medical bio-markers using
Machine Learning Tools and Technologies [0.0]
うつ病は世界中の精神疾患の主要な原因となっている。
近年,うつ病の診断とステージ予測の自動化に行動的手がかりが用いられている。
ラベル付き行動データセットの欠如と、膨大な量のバリエーションが、タスクを達成する上で大きな課題であることが証明されている。
論文 参考訳（メタデータ） (2020-09-11T20:44:28Z)
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。