論文の概要: Machine Unlearning reveals that the Gender-based Violence Victim Condition can be detected from Speech in a Speaker-Agnostic Setting

• arxiv url: http://arxiv.org/abs/2411.18177v1
• Date: Wed, 27 Nov 2024 09:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:25:55.971062
• Title: Machine Unlearning reveals that the Gender-based Violence Victim Condition can be detected from Speech in a Speaker-Agnostic Setting
• Title（参考訳）: マシン・アンラーニングは、話者非依存設定における音声からジェンダーに基づく暴力刺激条件を検出することを明らかにする
• Authors: Emma Reyner-Fuentes, Esther Rituerto-Gonzalez, Carmen Pelaez-Moreno,
• Abstract要約: 本研究は,ジェンダーベースの暴力が女性のメンタルヘルスに与える影響について論じる。 GBVはしばしば、不安、抑うつ、外傷後ストレス障害(PTSD)など、被害者に長期にわたる副作用をもたらす。 本研究は、ジェンダーベースの暴力被害者状態(GBVVC)の話者非依存的検出に対する新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study addresses the critical issue of gender-based violence's (GBV) impact on women's mental health. GBV, encompassing physical and sexual aggression, often results in long-lasting adverse effects for the victims, including anxiety, depression, post-traumatic stress disorder (PTSD), and substance abuse. Artificial Intelligence (AI)-based speech technologies have proven valuable for mental health assessments. However, these technologies experience performance challenges when confronted with speakers whose data has not been used for training. Our research presents a novel approach to speaker-agnostic detection of the gender-based violence victim condition (GBVVC), focusing on the development of robust AI models capable of generalization across diverse speakers. Leveraging advanced deep learning models and domain-adversarial training techniques, we minimize speaker identity's influence, achieving a 26.95% relative reduction in speaker identification ability while enhancing the GBVVC detection by a 6.37% relative improvement in the accuracy. This shows that models can focus on discriminative paralinguistic biomarkers that enhance the GBVVC prediction, and reduce the subject-specific traits' impact. Additionally, our model's predictions moderately correlate with pre-clinical PTSD symptoms, emphasizing the link between GBV and mental health. This work paves the way for AI-powered tools to aid mental health professionals in addressing this societal issue, offering a promising baseline for further research.
• Abstract（参考訳）: 本研究は,ジェンダーベースの暴力が女性のメンタルヘルスに与える影響について論じる。 GBVは身体的および性的攻撃を包含しており、不安、抑うつ、外傷後ストレス障害(PTSD)、薬物乱用など、被害者に長期にわたる有害な影響をもたらすことが多い。 人工知能(AI)ベースの音声技術は、メンタルヘルスアセスメントに有用であることが証明されている。 しかし、これらの技術は、トレーニングにデータが使われていないスピーカーに直面すると、パフォーマンス上の課題を経験する。 本研究は,多様な話者にまたがる一般化が可能な頑健なAIモデルの開発に焦点をあて,性別に基づく暴力被害者状態(GBVVC)の話者非依存検出に対する新しいアプローチを提案する。 先進的なディープラーニングモデルとドメイン・アドバイサル・トレーニング技術を活用することで、話者識別能力の26.95%の相対的な低下を実現し、GBVVC検出の精度を6.37%向上させる。 このことは、GBVVC予測を強化し、主題固有の特徴の影響を減少させる識別的パラ言語的バイオマーカーにモデルが焦点を絞ることができることを示している。 さらに,本モデルでは,心的健康状態とGBVとの関連を強調し,心的PTSD症状と適度に相関する傾向を示した。 この研究は、AIを利用したツールが、この社会問題に対処するメンタルヘルスの専門家を助けるための道を開くもので、さらなる研究のための有望なベースラインを提供する。

関連論文リスト

• Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [61.633126163190724]
  精神病は、社会的、個人的コストがかなり高い広範囲で不安定な状態である。 近年の人工知能(AI)の進歩は、うつ病、不安障害、双極性障害、統合失調症、外傷後ストレス障害などの病態を認識し、対処するための大きな可能性を秘めている。 データセットやトレーニング済みモデルからの機密データ漏洩のリスクを含むプライバシー上の懸念は、これらのAIシステムを実際の臨床環境にデプロイする上で、依然として重要な障壁である。
  論文  参考訳（メタデータ） (2025-02-01T15:10:02Z)
• CBT-Bench: Evaluating Large Language Models on Assisting Cognitive Behavior Therapy [67.23830698947637]
  認知行動療法(CBT)支援の体系的評価のための新しいベンチマークであるCBT-BENCHを提案する。 我々は, CBT-BENCHにおける3段階の課題を含む: I: 基本的CBT知識獲得, 複数選択質問のタスク; II: 認知的モデル理解, 認知的歪み分類, 主根的信念分類, きめ細かい中核信念分類のタスク; III: 治療的応答生成, CBTセラピーセッションにおける患者音声に対する応答生成のタスク。 実験結果から,LLMはCBT知識のリサイティングに優れるが,複雑な実世界のシナリオでは不十分であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-17T04:52:57Z)
• AI-Driven Early Mental Health Screening: Analyzing Selfies of Pregnant Women [32.514036618021244]
  うつ病や不安障害は世界中で何百万もの人に影響を与え、精神疾患の重荷に大きく貢献する。 早期スクリーニングは、精神疾患のタイムリーな同定が治療成績を大幅に改善するので、効果的な介入に不可欠である。 本研究は、顔中心の自撮りを与えられたユビキタスな抑うつ不安スクリーニングのためのAIモデルの可能性について検討する。
  論文  参考訳（メタデータ） (2024-10-07T19:34:25Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• Empowering Psychotherapy with Large Language Models: Cognitive Distortion Detection through Diagnosis of Thought Prompting [82.64015366154884]
  本研究では,認知的歪み検出の課題について検討し,思考の早期発見(DoT)を提案する。 DoTは、事実と思考を分離するための主観的評価、思考と矛盾する推論プロセスを引き出すための対照的な推論、認知スキーマを要約するスキーマ分析という3つの段階を通して、患者のスピーチの診断を行う。 実験により、DoTは認知的歪み検出のためのChatGPTよりも大幅に改善され、一方で人間の専門家が承認した高品質な合理性を生成することが示された。
  論文  参考訳（メタデータ） (2023-10-11T02:47:21Z)
• Beyond Neural-on-Neural Approaches to Speaker Gender Protection [2.741893145546753]
  音声特徴に基づく性別推定攻撃の検査の重要性を示す。 研究者らは音声の特徴を利用して、保護的な修正が音声信号をどのように変化させるかを理解するべきだと論じている。
  論文  参考訳（メタデータ） (2023-06-30T14:26:49Z)
• 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)
• DEPAC: a Corpus for Depression and Anxiety Detection from Speech [3.2154432166999465]
  本稿では、うつ病と不安スクリーニングツールの確立したしきい値に基づいてラベル付けされた、心的苦痛分析オーディオデータセットDEPACを紹介する。 この大きなデータセットは、個人ごとの複数の音声タスクと、関連する人口統計情報から構成される。 人間の音声における精神疾患の徴候の同定に有効な,手作業による音響的特徴と言語的特徴からなる特徴セットを提案する。
  論文  参考訳（メタデータ） (2023-06-20T12:21:06Z)
• Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
  アルツハイマー病(AD)は高齢者に特に顕著である。 事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。 本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:03:28Z)
• Bias Reducing Multitask Learning on Mental Health Prediction [18.32551434711739]
  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。
  論文  参考訳（メタデータ） (2022-08-07T02:28:32Z)
• Investigation of Data Augmentation Techniques for Disordered Speech Recognition [69.50670302435174]
  本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。 正常な音声と無秩序な音声の両方が増強過程に利用された。 UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
  論文  参考訳（メタデータ） (2022-01-14T17:09:22Z)

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。