論文の概要: Towards Trustworthy Depression Estimation via Disentangled Evidential Learning

• arxiv url: http://arxiv.org/abs/2604.16579v1
• Date: Fri, 17 Apr 2026 13:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.086273
• Title: Towards Trustworthy Depression Estimation via Disentangled Evidential Learning
• Title（参考訳）: アンタングル・エビデンシャル・ラーニングによる信頼に値する抑うつ推定に向けて
• Authors: Fangyuan Liu, Sirui Zhao, Zeyu Zhang, Jinyang Huang, Feng-Qi Cui, Bin Luo, Tong Xu, Meng Li, Enhong Chen,
• Abstract要約: EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
• 参考スコア（独自算出の注目度）: 50.22167852149165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated depression estimation is highly vulnerable to signal corruption and ambient noise in real-world deployment. Prevailing deterministic methods produce uncalibrated point estimates, exposing safety-critical clinical systems to the severe risk of overconfident misdiagnoses. To establish a highly resilient and trustworthy assessment paradigm, we propose EviDep, an evidential learning framework that jointly quantifies depression severity alongside aleatoric and epistemic uncertainties via a Normal-Inverse-Gamma distribution. A fundamental vulnerability in multimodal evidential fusion is the uncontrolled accumulation of cross-modal redundancies. This structural flaw artificially inflates diagnostic confidence by double-counting overlapping evidence. To guarantee robust evidence synthesis, EviDep enforces strict information integrity. First, a Frequency-aware Feature Extraction module leverages a wavelet-based Mixture-of-Experts to dynamically isolate task-irrelevant noise, preserving the fidelity of diagnostic signals. Subsequently, a Disentangled Evidential Learning strategy separates the shared consensus from modality-specific nuances. By explicitly decoupling these representations before Bayesian fusion, EviDep systematically mitigates evidence redundancy. Extensive experiments on AVEC 2013, 2014, DAIC-WOZ, and E-DAIC confirm that EviDep achieves state-of-the-art predictive accuracy and superior uncertainty calibration, delivering a robust fail-safe mechanism for trustworthy clinical screening.
• Abstract（参考訳）: 自動うつ病推定は、実世界の展開における信号の破損や環境騒音に対して非常に脆弱である。 一般的な決定論的手法は、未確認の点推定を生成し、安全クリティカルな臨床システムを過信の誤診の深刻なリスクにさらしている。 高度に弾力性と信頼性の高い評価パラダイムを確立するために,正規-逆-ガンマ分布を介し,失語症・てんかん不確実性とともにうつ病の重症度を共同で定量化する明らかな学習フレームワークであるEviDepを提案する。 マルチモーダル顕在核融合の根本的な脆弱性は、クロスモーダル冗長性の制御不能な蓄積である。 この構造欠陥は、重複する証拠を二重に数えることで、診断の信頼性を人工的に膨らませる。 堅牢な証拠合成を保証するため、EviDepは厳密な情報整合性を強制する。 まず、周波数対応特徴抽出モジュールは、ウェーブレットベースのMixture-of-Expertsを利用して、タスク非関連ノイズを動的に分離し、診断信号の忠実さを保存する。 その後、ディスタングルド・エビデンシャル・ラーニング(Disentangled Evidential Learning)戦略は、共有コンセンサスをモダリティ固有のニュアンスから分離する。 ベイズ融合の前にこれらの表現を明示的に分離することにより、EviDepは体系的に証拠の冗長性を緩和する。 AVEC 2013、2014 DAIC-WOZ、E-DAICの広範な実験により、EviDepは最先端の予測精度と優れた不確実性校正を達成し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供することを確認した。

関連論文リスト

• Probabilistic Feature Imputation and Uncertainty-Aware Multimodal Federated Aggregation [0.2283362795949404]
  Probabilistic Feature Imputation Network は不確実性推定をインプット特徴とともに生成する。 CheXpert,NIH Open-I,PadChestを用いた人工胸部X線分類実験は決定論的基準線よりも一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-04-14T17:03:14Z)
• TrustFed: Enabling Trustworthy Medical AI under Data Privacy Constraints [2.9567293946666173]
  フェデレーション学習は、患者の生データを共有することなく、プライバシ保護、複数施設でのトレーニングを可能にする。 TrustFedは、不均一で不均衡な医療データの下で、配布不要で有限サンプルのカバレッジ保証を提供する。 医用画像における不確実性を考慮したフェデレーション学習の包括的評価を行う。
  論文  参考訳（メタデータ） (2026-03-23T07:34:45Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Agentic Uncertainty Quantification [76.94013626702183]
  本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。 システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
  論文  参考訳（メタデータ） (2026-01-22T07:16:26Z)
• Progressive Uncertainty-Guided Evidential U-KAN for Trustworthy Medical Image Segmentation [11.953394478206581]
  本研究では,硬質領域の特徴表現学習に焦点を合わせるために,プログレッシブ・エビデンス・ガイドド・アテンション(PEUA)機構を提案する。 従来のアプローチとは異なり、PEUAは注意重みを軽視するために低ランク学習を使用しながら、不確実性マップを使用して注意を徐々に洗練する。 そこで我々は,意味保存エビデンス学習(SAEL)戦略を導入し,セマンティック・スムース・エビデンス・ジェネレータとフィデリティ・エンハンス・正規化項を統合して,重要なセマンティクスを維持する。
  論文  参考訳（メタデータ） (2025-10-10T02:58:01Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Beyond Uncertainty Quantification: Learning Uncertainty for Trust-Informed Neural Network Decisions - A Case Study in COVID-19 Classification [7.383605511698832]
  信頼性の高い不確実性定量化は、医学的診断のような高い評価の応用において重要である。 従来の不確実性定量化法は、予測を自信または不確実性として分類するために、予め定義された信頼しきい値に依存する。 このアプローチは、しきい値を超える予測は信頼に値するが、それ以下の予測は信頼性の高い予測の正確性を明確に評価することなく不確実であると仮定する。 本研究では,予測の信頼度を学習することで,従来の不確実性定量化を拡張した不確実性認識型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） (2024-09-19T04:20:12Z)
• Deep Evidential Learning for Radiotherapy Dose Prediction [0.0]
  本稿では放射線治療用線量予測分野におけるDeep Evidential Learningと呼ばれる不確実性定量化フレームワークの新たな応用法を提案する。 このモデルは,ネットワークトレーニング完了時の予測誤差と相関関係を持つ不確実性推定に有効に活用できることを見出した。
  論文  参考訳（メタデータ） (2024-04-26T02:43:45Z)

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。