論文の概要: MISE: Meta-knowledge Inheritance for Social Media-Based Stressor Estimation

• arxiv url: http://arxiv.org/abs/2505.03827v1
• Date: Sat, 03 May 2025 18:12:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.848666
• Title: MISE: Meta-knowledge Inheritance for Social Media-Based Stressor Estimation
• Title（参考訳）: MISE: ソーシャルメディアに基づくストレス評価のためのメタ知識継承
• Authors: Xin Wang, Ling Feng, Huijun Zhang, Lei Cao, Kaisheng Zeng, Qi Li, Yang Ding, Yi Dai, David Clifton,
• Abstract要約: 本研究では,ソーシャルメディア上でのユーザの投稿を通じて,より具体的なストレスを推定することを目的とした新しいタスクを提案する。 メタ知識継承機構によって強化された,メタ学習に基づく新しいストレス要因推定フレームワークを提案する。 我々は、人間の幸福を促進するために人工知能モデルを訓練するのに役立つソーシャルメディアベースのストレスクレーサ推定データセットを構築した。
• 参考スコア（独自算出の注目度）: 20.284960134507543
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Stress haunts people in modern society, which may cause severe health issues if left unattended. With social media becoming an integral part of daily life, leveraging social media to detect stress has gained increasing attention. While the majority of the work focuses on classifying stress states and stress categories, this study introduce a new task aimed at estimating more specific stressors (like exam, writing paper, etc.) through users' posts on social media. Unfortunately, the diversity of stressors with many different classes but a few examples per class, combined with the consistent arising of new stressors over time, hinders the machine understanding of stressors. To this end, we cast the stressor estimation problem within a practical scenario few-shot learning setting, and propose a novel meta-learning based stressor estimation framework that is enhanced by a meta-knowledge inheritance mechanism. This model can not only learn generic stressor context through meta-learning, but also has a good generalization ability to estimate new stressors with little labeled data. A fundamental breakthrough in our approach lies in the inclusion of the meta-knowledge inheritance mechanism, which equips our model with the ability to prevent catastrophic forgetting when adapting to new stressors. The experimental results show that our model achieves state-of-the-art performance compared with the baselines. Additionally, we construct a social media-based stressor estimation dataset that can help train artificial intelligence models to facilitate human well-being. The dataset is now public at \href{https://www.kaggle.com/datasets/xinwangcs/stressor-cause-of-mental-health-problem-dataset}{\underline{Kaggle}} and \href{https://huggingface.co/datasets/XinWangcs/Stressor}{\underline{Hugging Face}}.
• Abstract（参考訳）: ストレスは現代社会の人々を悩ませ、注意を払わなければ深刻な健康問題を引き起こす可能性がある。 ソーシャルメディアが日常生活の不可欠な部分となるにつれ、ストレスを検出するためにソーシャルメディアを活用することが注目されている。 研究の大部分はストレス状態やストレスカテゴリーの分類に重点を置いているが,本稿では,利用者のソーシャルメディア投稿を通じて,より具体的なストレス要因(試験,論文など)を推定する新たなタスクを導入する。 残念なことに、多くの異なるクラスを持つストレスターの多様性は、クラスごとのいくつかの例であり、時間とともに新しいストレスターが一貫した出現と相まって、ストレスターの機械的理解を妨げる。 そこで本研究では, メタ知識継承機構によって強化された, メタ学習に基づくストレス推定フレームワークを提案する。 このモデルでは, メタラーニングを通じて, 一般的なストレスコンテキストを学習できるだけでなく, ラベル付きデータが少ない新しいストレスコンテキストを推定できる優れた一般化能力も備えている。 我々のアプローチにおける根本的なブレークスルーは、メタ知識継承機構の導入であり、新しいストレスに適応する際の破滅的な忘れを抑える能力が我々のモデルに備わっている。 実験結果から,本モデルではベースラインと比較して最先端の性能が得られた。 さらに,ソーシャルメディアをベースとしたストレス評価データセットを構築し,人工知能モデルをトレーニングし,人の幸福感を高める。 データセットは現在、 \href{https://www.kaggle.com/datasets/xinwangcs/stressor- because-of-mental-health-problem-dataset}{\underline{Kaggle}} と \href{https://huggingface.co/datasets/XinWangcs/Stressorunderunderline{Hugging Face}} で公開されている。

関連論文リスト

• Computational Analysis of Stress, Depression and Engagement in Mental Health: A Survey [62.31381724639944]
  ストレスと抑うつは相互に関連し、共に日々のタスクにおけるエンゲージメントに影響を与える。 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)
• Detection and Analysis of Stress-Related Posts in Reddit Acamedic Communities [0.0]
  本研究は,Reddit学術コミュニティにおけるストレス関連投稿の検出と分析に焦点をあてる。 テキストは、自然言語処理と機械学習分類器を用いて、強調されているか、そうでないかを分類する。 重要な発見は、Redditの教授コミュニティにおける投稿やコメントが最もストレスが強いことを示している。
  論文  参考訳（メタデータ） (2023-12-02T07:34:03Z)
• Personalization of Stress Mobile Sensing using Self-Supervised Learning [1.7598252755538808]
  ストレスは様々な健康問題への主要な貢献者として広く認められている。 リアルタイムのストレス予測は、デジタル介入がストレスの開始時に即座に反応し、心臓のリズム不規則性のような多くの心理的、生理的症状を避けるのに役立つ。 しかし、機械学習を用いたストレス予測の主な課題は、ラベルの主観性とスパース性、大きな特徴空間、比較的少ないラベル、特徴と結果の間の複雑な非線形および主観的関係である。
  論文  参考訳（メタデータ） (2023-08-04T22:26:33Z)
• 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)
• Calibration of Transformer-based Models for Identifying Stress and Depression in Social Media [0.0]
  本研究はソーシャルメディアにおける抑うつ・ストレス検出の課題における最初の研究であり,トランスフォーマーモデルに余分な言語情報を注入する。 提案手法では,BERT(MentalBERT)モデルに入力として付与される複合埋め込みを生成するために,マルチモーダル適応ゲートを用いる。 提案手法を3つの公開データセットで検証し,言語機能とトランスフォーマーモデルの統合が性能の急上昇を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-26T10:19:04Z)
• Decentralized Adversarial Training over Graphs [44.03711922549992]
  近年、敵攻撃に対する機械学習モデルの脆弱性が注目されている。 マルチエージェントシステムのための分散逆数フレームワークを開発する。
  論文  参考訳（メタデータ） (2023-03-23T15:05:16Z)
• RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
  より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。 当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
  論文  参考訳（メタデータ） (2022-07-12T19:34:47Z)
• Counterfactual Representation Learning with Balancing Weights [74.67296491574318]
  観察データによる因果推論の鍵は、それぞれの治療タイプに関連する予測的特徴のバランスを達成することである。 近年の文献では、この目標を達成するために表現学習を探求している。 因果効果を柔軟かつスケーラブルかつ正確に推定するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-23T19:06:03Z)
• Importance Weighted Policy Learning and Adaptation [89.46467771037054]
  政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。 このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。 提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
  論文  参考訳（メタデータ） (2020-09-10T14:16:58Z)
• How are you? Introducing stress-based text tailoring [63.128912221732946]
  ユーザのストレスレベルに基づいたテキストのカスタマイズについて論じる。 まず, ユーザの行動がストレスの影響を受けやすい実例を示し, 評価と評価にどのツールが使えるかについて議論した後, 文書を整理するための初期手法を提案する。
  論文  参考訳（メタデータ） (2020-07-20T09:43:11Z)

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。