論文の概要: Psychologically-Grounded Graph Modeling for Interpretable Depression Detection

• arxiv url: http://arxiv.org/abs/2604.24126v1
• Date: Mon, 27 Apr 2026 07:27:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.789428
• Title: Psychologically-Grounded Graph Modeling for Interpretable Depression Detection
• Title（参考訳）: 心理的囲い込みグラフモデリングによる解釈型抑うつ検出
• Authors: Rishitej Reddy Vyalla, Kritarth Prasad, Avinash Anand, Erik Cambria, Shaoxiong Ji, Faten S. Alamri, Zhengkui Wang,
• Abstract要約: 対話型セッションを動的時間グラフとしてモデル化するフレームワークであるPsyGATを提案する。 Causal-PsyGATも紹介した。 実験では、因果指標を特定するためのMRRが20%改善されている。
• 参考スコア（独自算出の注目度）: 36.72827968050813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic depression detection from conversational interactions holds significant promise for scalable screening but remains hindered by severe data scarcity and a lack of clinical interpretability. Existing approaches typically rely on black-box deep learning architectures that struggle to model the subtle, temporal evolution of depressive symptoms or account for participant-specific heterogeneity. In this work, we propose PsyGAT (Psychological Graph Attention Network), a psychologically grounded framework that models conversational sessions as dynamic temporal graphs. We introduce Psychological Expression Units (PEUs) to explicitly encode utterance-level clinical evidence, structuring the session graph to capture transitions in psychological states rather than mere semantic dependencies. To address the critical class imbalance in depression datasets, we employ clinically approved persona-based data augmentation, enable robust model learning. Additionally, we integrate session-level personality context directly into the graph structure to disentangle trait-based behavior from acute depressive symptoms. PsyGAT achieves state-of-the-art performance, surpassing both strong graph-based baselines and closed-source LLMs like GPT-5, achieving 89.99 and 71.37 Macro F1 scores in DAIC-WoZ and E-DAIC, respectively. We further introduce Causal-PsyGAT, an interpretability module that identifies symptom triggers. Experiments show a 20% improvement in MRR for identifying causal indicators, effectively bridging the gap between depression monitoring and clinical explainability. The full augmented dataset is publicly available at https://doi.org/10.6084/m9.figshare.31801921.
• Abstract（参考訳）: 対話型対話からの自動抑うつ検出は、スケーラブルなスクリーニングには大きな可能性を秘めているが、データ不足と臨床的解釈性の欠如によって妨げられている。 既存のアプローチは一般的に、抑うつ症状の微妙で時間的な進化をモデル化したり、参加者固有の異種性を説明するのに苦労するブラックボックスのディープラーニングアーキテクチャに依存している。 本研究では,対話セッションを動的時間グラフとしてモデル化する心理的基盤を持つPsyGAT(サイコロジカルグラフ注意ネットワーク)を提案する。 音声レベルの臨床的証拠を明示的にエンコードするために、心理学的表現単位(PEU)を導入し、セッショングラフを構築して、単に意味的依存関係ではなく、心理的状態の遷移をキャプチャする。 うつ病データセットにおける臨界クラス不均衡に対処するために,臨床に承認されたペルソナに基づくデータ拡張を採用し,堅牢なモデル学習を実現する。 さらに、セッションレベルの人格コンテキストを直接グラフ構造に統合し、急性うつ病症状から特徴に基づく行動を引き離す。 PsyGATは、GPT-5のような強力なグラフベースのベースラインとクローズドソースのLLMを上回り、DAIC-WoZとE-DAICでそれぞれ89.99と71.37のマクロF1スコアを達成した。 さらに、症状トリガを識別する解釈可能性モジュールであるCausal-PsyGATを紹介する。 実験では、因果指標を特定するためのMRRの20%の改善が示され、うつ病のモニタリングと臨床的説明可能性のギャップを効果的に埋めることができた。 完全なデータセットはhttps://doi.org/10.6084/m9.figshare.31801921で公開されている。

関連論文リスト

• Depression Detection Based on Electroencephalography Using a Hybrid Deep Neural Network CNN-GRU and MRMR Feature Selection [0.0]
  本研究では, 深層学習を用いた抑うつ状態と非抑うつ状態の検出と分類について検討した。 提案フレームワークは、畳み込みニューラルネットワーク(CNN)とゲートリカレントユニット(GRU)を組み合わせて、脳波記録から空間的特徴と時間的特徴を共同抽出する。 その結果, 提案モデルでは, 抑うつ状態の同定精度が98.74%と高い結果が得られた。
  論文  参考訳（メタデータ） (2026-01-16T02:58:17Z)
• DepFlow: Disentangled Speech Generation to Mitigate Semantic Bias in Depression Detection [54.209716321122194]
  抑うつ条件付きテキスト音声合成フレームワークであるDepFlowについて述べる。 抑うつ音響カモフラージュは、対向訓練を通じて話者と内容不変の抑うつ埋め込みを学習する。 フローマッチングTTSモデルとFiLM変調はこれらの埋め込みを合成に注入し、うつ病の重症度を制御する。 プロトタイプベースの重度マッピング機構は、うつ病連続体を滑らかかつ解釈可能な操作を提供する。
  論文  参考訳（メタデータ） (2026-01-01T10:44:38Z)
• The Relationship Between Speech Features Changes When You Get Depressed: Feature Correlations for Improving Speed and Performance of Depression Detection [69.88072583383085]
  この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。 このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-07-06T09:54:35Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Deep Temporal Modelling of Clinical Depression through Social Media Text [1.513693945164213]
  ユーザの時間的ソーシャルメディア投稿に基づいて,ユーザレベルの臨床うつ病を検出するモデルを構築した。 本モデルでは,うつ病症状に対する医用注釈付きツイートの最大のサンプルをもとに訓練した,うつ病検出(DSD)分類器を用いた。
  論文  参考訳（メタデータ） (2022-10-28T18:31:52Z)
• 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)
• Multimodal Depression Severity Prediction from medical bio-markers using Machine Learning Tools and Technologies [0.0]
  うつ病は世界中の精神疾患の主要な原因となっている。 近年,うつ病の診断とステージ予測の自動化に行動的手がかりが用いられている。 ラベル付き行動データセットの欠如と、膨大な量のバリエーションが、タスクを達成する上で大きな課題であることが証明されている。
  論文  参考訳（メタデータ） (2020-09-11T20:44:28Z)

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。