論文の概要: LMILAtt: A Deep Learning Model for Depression Detection from Social Media Users Enhanced by Multi-Instance Learning Based on Attention Mechanism

• arxiv url: http://arxiv.org/abs/2509.26145v1
• Date: Tue, 30 Sep 2025 11:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.526613
• Title: LMILAtt: A Deep Learning Model for Depression Detection from Social Media Users Enhanced by Multi-Instance Learning Based on Attention Mechanism
• Title（参考訳）: LMILAtt:注意機構に基づくマルチインスタンス学習により強化されたソーシャルメディア利用者の抑うつ検出のためのディープラーニングモデル
• Authors: Yukun Yang,
• Abstract要約: うつ病は世界的な公衆衛生上の大きな課題であり、早期の身元確認は極めて重要である。 本研究ではLMILAttモデルを提案し,Long Short-Term Memory Autoencoderとアテンション機構を統合した。 実験により、精度、リコール、F1スコアの点で、モデルがベースラインモデルよりもはるかに優れていることが示された。
• 参考スコア（独自算出の注目度）: 2.398386906858336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Depression is a major global public health challenge and its early identification is crucial. Social media data provides a new perspective for depression detection, but existing methods face limitations such as insufficient accuracy, insufficient utilization of time series features, and high annotation costs. To this end, this study proposes the LMILAtt model, which innovatively integrates Long Short-Term Memory autoencoders and attention mechanisms: firstly, the temporal dynamic features of user tweets (such as depressive tendency evolution patterns) are extracted through unsupervised LSTM autoencoders. Secondly, the attention mechanism is used to dynamically weight key texts (such as early depression signals) and construct a multi-example learning architecture to improve the accuracy of user-level detection. Finally, the performance was verified on the WU3D dataset labeled by professional medicine. Experiments show that the model is significantly better than the baseline model in terms of accuracy, recall and F1 score. In addition, the weakly supervised learning strategy significantly reduces the cost of labeling and provides an efficient solution for large-scale social media depression screening.
• Abstract（参考訳）: うつ病は世界的な公衆衛生上の大きな課題であり、早期の身元確認は極めて重要である。 ソーシャルメディアのデータは、うつ病検出の新しい視点を提供するが、既存の手法では、精度の不十分、時系列の特徴の不十分な利用、アノテーションの高コストといった制限に直面している。 そこで本研究では,LMILAttモデルを提案する。LMILAttモデルは,長期記憶オートエンコーダとアテンション機構を革新的に統合したもので,まず,教師なしLSTMオートエンコーダを用いてユーザツイートの時間的動的特徴(抑うつ傾向進化パターンなど)を抽出する。 第二に、注意機構はキーテキスト(早期抑うつ信号など)を動的に重み付けし、マルチサンプル学習アーキテクチャを構築し、ユーザレベルの検出精度を向上させる。 最後に, 専門医がラベル付けしたWU3Dデータセットを用いて, 評価を行った。 実験により、精度、リコール、F1スコアの点で、モデルがベースラインモデルよりもはるかに優れていることが示された。 さらに、弱教師付き学習戦略は、ラベリングのコストを大幅に削減し、大規模ソーシャルメディアうつ病スクリーニングの効率的なソリューションを提供する。

関連論文リスト

• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
  我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。 SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-10T17:15:49Z)
• Generating Medically-Informed Explanations for Depression Detection using LLMs [1.325953054381901]
  ソーシャルメディアデータからうつ病を早期に検出することは、タイムリーな介入の貴重な機会となる。 本稿では,LLM-MTD(Large Language Model for Multi-Task Depression Detection)を提案する。
  論文  参考訳（メタデータ） (2025-03-18T19:23:22Z)
• Depression detection in social media posts using transformer-based models and auxiliary features [6.390468088226495]
  ソーシャルメディア投稿における抑うつの検出は、メンタルヘルス問題の増加により重要である。 従来の機械学習アルゴリズムは複雑なテキストパターンのキャプチャに失敗することが多く、抑うつを識別する効果を制限している。 本研究では,メタデータと言語マーカーを組み合わせたトランスフォーマーモデルを利用したニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-09-30T07:53:39Z)
• A BERT-Based Summarization approach for depression detection [1.7363112470483526]
  うつ病は世界中で流行する精神疾患であり、対処されないと深刻な反感を引き起こす可能性がある。 機械学習と人工知能は、さまざまなデータソースからのうつ病指標を自律的に検出することができる。 本研究では,入力テキストの長さと複雑さを低減させる前処理手法として,テキスト要約を提案する。
  論文  参考訳（メタデータ） (2024-09-13T02:14:34Z)
• STANet: A Novel Spatio-Temporal Aggregation Network for Depression Classification with Small and Unbalanced FMRI Data [12.344849949026989]
  時間的特徴と空間的特徴の両方を捉えるために,CNNとRNNを統合してうつ病を診断するための時空間アグリゲーションネットワーク(STANet)を提案する。 実験の結果、STANetは82.38%の精度と90.72%のAUCでうつ病診断性能に優れていた。
  論文  参考訳（メタデータ） (2024-07-31T04:06:47Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• 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)

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。