論文の概要: U-Fair: Uncertainty-based Multimodal Multitask Learning for Fairer Depression Detection

• arxiv url: http://arxiv.org/abs/2501.09687v1
• Date: Thu, 16 Jan 2025 17:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:09:38.122350
• Title: U-Fair: Uncertainty-based Multimodal Multitask Learning for Fairer Depression Detection
• Title（参考訳）: フェアデプレッション検出のための不確実性に基づくマルチモーダルマルチタスク学習
• Authors: Jiaee Cheong, Aditya Bangar, Sinan Kalkan, Hatice Gunes,
• Abstract要約: マルチタスク手法を用いて抑うつ検出の性能と公平性を向上する。 本稿では, PHQ-8 の質問紙構成に基礎を置いた不確実性を用いたジェンダーベースのタスクリウェイト手法を提案する。
• 参考スコア（独自算出の注目度）: 14.61416119202288
• License:
• Abstract: Machine learning bias in mental health is becoming an increasingly pertinent challenge. Despite promising efforts indicating that multitask approaches often work better than unitask approaches, there is minimal work investigating the impact of multitask learning on performance and fairness in depression detection nor leveraged it to achieve fairer prediction outcomes. In this work, we undertake a systematic investigation of using a multitask approach to improve performance and fairness for depression detection. We propose a novel gender-based task-reweighting method using uncertainty grounded in how the PHQ-8 questionnaire is structured. Our results indicate that, although a multitask approach improves performance and fairness compared to a unitask approach, the results are not always consistent and we see evidence of negative transfer and a reduction in the Pareto frontier, which is concerning given the high-stake healthcare setting. Our proposed approach of gender-based reweighting with uncertainty improves performance and fairness and alleviates both challenges to a certain extent. Our findings on each PHQ-8 subitem task difficulty are also in agreement with the largest study conducted on the PHQ-8 subitem discrimination capacity, thus providing the very first tangible evidence linking ML findings with large-scale empirical population studies conducted on the PHQ-8.
• Abstract（参考訳）: メンタルヘルスにおける機械学習バイアスは、ますます関連する課題になりつつある。 マルチタスクアプローチがユニタスクアプローチよりもうまく機能することを示す有望な努力にもかかわらず、マルチタスク学習が抑うつ検出のパフォーマンスと公平性に与える影響や、それを利用してより公平な予測結果を達成するための最小限の作業がある。 本研究では,マルチタスク手法を用いて抑うつ検出の性能と公平性を向上させるための系統的研究を行う。 本稿では, PHQ-8 の質問紙構成に基礎を置いた不確実性を用いたジェンダーベースのタスクリウェイト手法を提案する。 以上の結果から,マルチタスクアプローチはユニタスクアプローチと比較してパフォーマンスと公平性を改善するが,必ずしも一貫性は保たず,陰性移行の証拠やパレートフロンティアの縮小がみられた。 不確実性を伴うジェンダーベース再重み付けのアプローチは、パフォーマンスと公平性を向上し、両課題をある程度緩和する。 PHQ-8 サブテム課題の難易度は PHQ-8 サブテム識別能力について行った最大の研究と一致している。

関連論文リスト

• Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques [65.55451717632317]
  PbMARL(Preference-based Multi-Agent Reinforcement Learning)について検討する。 一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ平衡を同定する。 以上の結果から,PbMARLの多面的アプローチが示唆された。
  論文  参考訳（メタデータ） (2024-09-01T13:14:41Z)
• Exploring the Effectiveness and Consistency of Task Selection in Intermediate-Task Transfer Learning [21.652389166495407]
  転送性能は、異なるソースタスク間で大きなばらつきを示し、種を訓練する。 埋め込みのない方法やテキスト埋め込みと比較して、微調整された重みで構築されたタスク埋め込みは、タスク転送可能性をよりよく見積もることができる。 本稿では,内部積探索の最大化によるトークンの相互類似度の測定手法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T07:31:43Z)
• A Depression Detection Method Based on Multi-Modal Feature Fusion Using Cross-Attention [3.4872769952628926]
  世界の人口の約3.8%が落ち込んでいる。 低所得国と中所得国の75%以上が未治療のままである。 本稿では,クロスアテンションを用いたマルチモーダル特徴融合に基づく抑うつ検出手法を提案する。
  論文  参考訳（メタデータ） (2024-07-02T13:13:35Z)
• Robustness Assessment of Mathematical Reasoning in the Presence of Missing and Contradictory Conditions [48.251724997889184]
  我々は、ミス・コントラクタリー条件(PMC)に関する問題というベンチマークを開発する。 本稿では,これらのシナリオにおける数ショットプロンプト手法の性能を評価するための2つの新しい指標を提案する。 SMT-LIB Prompting (SLP) と呼ばれる,SMT-LIB言語を用いて直接解決する代わりに,この問題をモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-07T16:24:12Z)
• Efficient Multi-task Uncertainties for Joint Semantic Segmentation and Monocular Depth Estimation [10.220692937750295]
  多くの実世界のアプリケーションは本質的にマルチモーダルであり、そのためマルチタスク学習の恩恵を受ける。 例えば、自律運転では、セマンティックセグメンテーションと単分子深度推定のジョイントソリューションが有用であることが証明されている。 共同セマンティックセグメンテーションと単眼深度推定のための新しい学生-教師蒸留手法であるEMUFormerを紹介する。
  論文  参考訳（メタデータ） (2024-02-16T11:09:16Z)
• Auxiliary Reward Generation with Transition Distance Representation Learning [20.150691753213817]
  強化学習(RL)は、逐次意思決定問題に挑戦する上で、その強みを示している。 RLの報酬関数は、タスク完了度合いの尺度として機能するため、学習性能に不可欠である。 状態間の遷移距離を計測できる新しい表現学習手法を提案する。
  論文  参考訳（メタデータ） (2024-02-12T05:13:44Z)
• A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
  実験と観測を組み合わせた二重機械学習手法を提案する。 我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
  論文  参考訳（メタデータ） (2023-07-04T02:53:11Z)
• Divergence-Based Domain Transferability for Zero-Shot Classification [78.55044112903148]
  事前訓練されたニューラルネットワークモデルから学習パターンを転送することで、さまざまな言語ベースのタスクにおける効果が大幅に向上することが示されている。 中間タスクが目的タスクと十分に関係している場合、中間タスクのさらなるチューニングにより、さらなるパフォーマンス上のメリットが示される。 しかし、関連するタスクの特定方法はオープンな問題であり、効果的なタスクの組み合わせをブルートフォースで探すのは非常に高価である。
  論文  参考訳（メタデータ） (2023-02-11T16:04:38Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)

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。