論文の概要: Multitask learning for recognizing stress and depression in social media
- arxiv url: http://arxiv.org/abs/2305.18907v1
- Date: Tue, 30 May 2023 10:04:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 17:00:39.639308
- Title: Multitask learning for recognizing stress and depression in social media
- Title（参考訳）: ソーシャルメディアにおけるストレス・抑うつ認識のためのマルチタスク学習
- Authors: Loukas Ilias, Dimitris Askounis
- Abstract要約: 本稿では,抑うつとストレスを主課題として用いた2つのマルチタスク学習フレームワークを提案する。
具体的には、うつ病のデータセットと5つのドメインの10のサブレディットからのストレスの多いポストを含むストレスの多いデータセットを使用します。
最初のアプローチでは、各投稿は共有BERTレイヤを通過し、両方のタスクによって更新される。
次に、2つの別々のBERTエンコーダレイヤが利用され、各タスクによって個別に更新される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Stress and depression are prevalent nowadays across people of all ages due to
the quick paces of life. People use social media to express their feelings.
Thus, social media constitute a valuable form of information for the early
detection of stress and depression. Although many research works have been
introduced targeting the early recognition of stress and depression, there are
still limitations. There have been proposed multi-task learning settings, which
use depression and emotion (or figurative language) as the primary and
auxiliary tasks respectively. However, although stress is inextricably linked
with depression, researchers face these two tasks as two separate tasks. To
address these limitations, we present the first study, which exploits two
different datasets collected under different conditions, and introduce two
multitask learning frameworks, which use depression and stress as the main and
auxiliary tasks respectively. Specifically, we use a depression dataset and a
stressful dataset including stressful posts from ten subreddits of five
domains. In terms of the first approach, each post passes through a shared BERT
layer, which is updated by both tasks. Next, two separate BERT encoder layers
are exploited, which are updated by each task separately. Regarding the second
approach, it consists of shared and task-specific layers weighted by attention
fusion networks. We conduct a series of experiments and compare our approaches
with existing research initiatives, single-task learning, and transfer
learning. Experiments show multiple advantages of our approaches over
state-of-the-art ones.
- Abstract（参考訳）: ストレスと抑うつは、人生の速いペースであらゆる年齢の人々の間で最近流行している。
人々はソーシャルメディアを使って感情を表現します。
したがって、ソーシャルメディアはストレスや抑うつを早期に発見するための貴重な情報形式である。
多くの研究がストレスと抑うつの早期認識をターゲットとして導入されているが、まだ限界がある。
抑うつと感情(あるいはフィギュラティブ言語)をそれぞれプライマリタスクと補助タスクとして使用するマルチタスク学習設定が提案されている。
しかし、ストレスはうつ病と密接な関係にあるものの、研究者はこの2つのタスクを2つの別々のタスクとして直面している。
そこで本研究では,異なる条件下で収集された2つのデータセットを活用し,抑うつとストレスを主タスクと補助タスクとして用いる2つのマルチタスク学習フレームワークを提案する。
具体的には、うつ病データセットと5つのドメインの10のサブレディットからのストレスの多いポストを含むストレスの多いデータセットを使用する。
最初のアプローチでは、各投稿は共有BERTレイヤを通過し、両方のタスクによって更新される。
次に、2つの別々のBERTエンコーダレイヤが利用され、各タスクによって個別に更新される。
第2のアプローチでは、関心融合ネットワークによって重み付けられた共有層とタスク固有の層で構成されている。
私たちは一連の実験を行い、既存の研究イニシアティブ、シングルタスク学習、トランスファー学習と比較します。
実験は、最先端のアプローチに対するアプローチの多くの利点を示している。
関連論文リスト
- Measuring Non-Typical Emotions for Mental Health: A Survey of Computational Approaches [57.486040830365646]
ストレスと抑うつは日々のタスクにおけるエンゲージメントに影響を与え、彼らの相互作用を理解する必要性を強調します。
この調査は、ストレス、抑うつ、エンゲージメントを分析する計算手法を同時に探求した最初のものである。
論文 参考訳（メタデータ） (2024-03-09T11:16:09Z) - DeepLearningBrasil@LT-EDI-2023: Exploring Deep Learning Techniques for
Detecting Depression in Social Media Text [0.0]
47.0%のマクロF1スコアを実現し、DepSign-LT-EDI@RANLP-2023で注目すべき2.4%のアドバンテージを得た。
その任務は、ソーシャルメディアのテキストを「落ち込んでいない」、「モデレート的に落ち込んでいない」、「ひどく落ち込んでいない」という3つの異なるレベルのうつ病に分類することであった。
論文 参考訳（メタデータ） (2023-11-08T22:42:31Z) - Multitask Learning with No Regret: from Improved Confidence Bounds to
Active Learning [79.07658065326592]
推定タスクの不確実性の定量化は、オンラインやアクティブな学習など、多くの下流アプリケーションにとって重要な課題である。
タスク間の類似性やタスクの特徴を学習者に提供できない場合、課題設定において新しいマルチタスク信頼区間を提供する。
本稿では,このパラメータを事前に知らないまま,このような改善された後悔を実現する新しいオンライン学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-03T13:08:09Z) - Employing Multimodal Machine Learning for Stress Detection [8.430502131775722]
メンタルウェルネスは、今日の世界で最も無視されているが決定的な側面の1つである。
本研究では、人の作業行動とストレスレベルを監視するために、マルチモーダルなAIベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-15T14:34:16Z) - Pre-training Multi-task Contrastive Learning Models for Scientific
Literature Understanding [52.723297744257536]
事前学習言語モデル(LM)は、科学文献理解タスクにおいて有効であることを示す。
文献理解タスク間の共通知識共有を容易にするために,マルチタスクのコントラスト学習フレームワークであるSciMultを提案する。
論文 参考訳（メタデータ） (2023-05-23T16:47:22Z) - Dynamic Graph Representation Learning for Depression Screening with
Transformer [13.551342607089184]
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。
論文 参考訳（メタデータ） (2023-05-10T20:34:40Z) - Exploring Hybrid and Ensemble Models for Multiclass Prediction of Mental
Health Status on Social Media [27.799032561722893]
Redditのソーシャルメディア投稿から,不安,注意欠陥多動性障害,双極性障害,外傷後ストレス障害,抑うつ,心理的ストレス)の6つの症状を予測する実験を報告する。
変圧器アーキテクチャ(BERT,RoBERTa)とBiLSTMニューラルネットワークを利用したハイブリッド・アンサンブルモデルの性能について検討・比較を行った。
また,特定の精神状態の指標として,どのような特徴が最も重要であるかを検討するために,特徴アブレーション実験を実施している。
論文 参考訳（メタデータ） (2022-12-19T20:31:47Z) - Continual learning in cross-modal retrieval [47.73014647702813]
新しいタスクによる干渉が埋め込み空間に与える影響と、効果的な検索に必要な相互モーダルアライメントについて検討する。
トレーニング、インデクシング、クエリの段階を分離する一般的なフレームワークを提案します。
また、忘れてしまう可能性のあるさまざまな要因を特定し、研究し、緩和するためのツールを提案します。
論文 参考訳（メタデータ） (2021-04-14T12:13:39Z) - 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) - Continual Learning in Low-rank Orthogonal Subspaces [86.36417214618575]
連続学習(CL)では、学習者は一連のタスクに直面して次々に到着し、学習経験が終わるとすべてのタスクを覚えることが目的である。
CLの以前の技術は、タスク間の干渉を減らすためにエピソードメモリ、パラメータ正規化、ネットワーク構造を使用していたが、最終的には、全てのアプローチが共同ベクトル空間で異なるタスクを学習する。
干渉を最小限に抑えるために互いに直交する異なる(低ランクな)ベクトル部分空間でタスクを学習することを提案する。
論文 参考訳（メタデータ） (2020-10-22T12:07:43Z)
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。