論文の概要: Beyond Semantics: An Evidential Reasoning-Aware Multi-View Learning Framework for Trustworthy Mental Health Prediction

• arxiv url: http://arxiv.org/abs/2605.05121v1
• Date: Wed, 06 May 2026 16:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.946809
• Title: Beyond Semantics: An Evidential Reasoning-Aware Multi-View Learning Framework for Trustworthy Mental Health Prediction
• Title（参考訳）: セマンティックスを超えて:信頼できるメンタルヘルス予測のためのエビデンシャル推論を意識したマルチビュー学習フレームワーク
• Authors: Yucheng Ruan, Ling Huang, Qika Lin, Kai He, Mengling Feng,
• Abstract要約: テキストデータを用いたメンタルヘルスの自動予測は、ディープラーニングと大規模言語モデルによる有望な結果を示している。 既存のアプローチは意味表現に大きく依存しており、曖昧さ、ノイズ、シフトしたデータの下で自信過剰な予測を生成することが多い。 本稿では,エンコーダのみのモデルからの意味情報とデコーダのみのモデルから高レベルな推論情報を統合する多視点学習問題を提案する。
• 参考スコア（独自算出の注目度）: 22.40813291181261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated mental health prediction using textual data has shown promising results with deep learning and large language models. However, deploying these models in high-stakes real-world settings remains challenging, as existing approaches largely rely on semantic representations and often produce overconfident predictions under ambiguous, noisy, or shifted data. Moreover, most methods lack reliable uncertainty estimation, undermining trust in risk-sensitive mental health applications. To address these limitations, we formulate the task as a multi-view learning problem that integrates semantic information from encoder-only models with higher-level reasoning information from decoder-only models, where reasoning-aware representations and uncertainty modeling are obtained in a trustworthy manner. To ensure reliable fusion, we adopt an evidential learning framework based on Subjective Logic to explicitly model uncertainty and introduce an evidential fusion strategy that balances complementary views while discounting unreliable evidence. Benchmarking on three real-world datasets, Dreaddit, SDCNL, and DepSeverity, reports accuracies of 0.835, 0.731, and 0.751, respectively, demonstrating its potential for reliable mental health prediction. Additional experiments on robustness to noise and case studies for interpretability confirm that our proposed framework not only improves predictive performance but also provides trustworthy uncertainty estimates and human-understandable reasoning signals, making it suitable for risk-sensitive applications in mental health assessment.
• Abstract（参考訳）: テキストデータを用いたメンタルヘルスの自動予測は、ディープラーニングと大規模言語モデルによる有望な結果を示している。 しかし、既存のアプローチはセマンティックな表現に大きく依存しており、曖昧でうるさい、あるいはシフトしたデータの下で過度に信頼される予測を生成する。 さらに、ほとんどの方法は信頼性の高い不確実性推定を欠き、リスクに敏感なメンタルヘルスアプリケーションに対する信頼を損なう。 これらの制約に対処するため、エンコーダのみのモデルからの意味情報をデコーダのみのモデルから高レベルな推論情報と統合する多視点学習問題としてタスクを定式化する。 信頼性の高い融合を保証するために,主観的論理に基づく顕在的学習フレームワークを採用し,不確実性を明示的にモデル化し,信頼できない証拠を割引しながら相補的視点のバランスをとる顕在的融合戦略を導入する。 Dreaddit、SDCNL、DepSeverityの3つの実世界のデータセットのベンチマークでは、それぞれ0.835、0.731、0.751の精度が報告されており、信頼性の高いメンタルヘルス予測の可能性を示している。 ノイズに対するロバスト性および解釈可能性に関するケーススタディに関する追加実験により、提案フレームワークは予測性能の向上だけでなく、信頼性の高い不確実性推定や人間に理解可能な推論信号も提供し、メンタルヘルスアセスメントにおけるリスクに敏感な応用に適していることを確認した。

関連論文リスト

• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  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。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models [77.04403907729738]
  このサーベイは、受動的診断基準からリアルタイムモデル動作を導くアクティブ制御信号への不確実性の進化をグラフ化する。 3つのフロンティアにまたがるアクティブ制御信号として不確実性がいかに活用されているかを示す。 この調査は、次世代のスケーラブルで信頼性があり、信頼できるAIを構築するためには、新しい不確実性のトレンドを習得することが不可欠である、と論じている。
  論文  参考訳（メタデータ） (2026-01-22T06:21:31Z)
• Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
  本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。 本ベンチマークでは,3種類の医療データを統合し,診断を行う。 本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
  論文  参考訳（メタデータ） (2026-01-22T04:51:39Z)
• Decoding Federated Learning: The FedNAM+ Conformal Revolution [0.16874375111244327]
  FedNAM+は、ニューラルネットワーク付加モデル(NAM)と新しい共形予測手法を統合する、連合学習フレームワークである。 本手法では,勾配に基づく感度マップを用いた動的レベル調整手法を導入し,重要な入力特徴が予測に与える影響を同定する。 我々は、CTスキャン、MNIST、CIFARデータセットの実験を通して、我々のアプローチを検証し、損失を最小限に抑えながら高い予測精度を示す。
  論文  参考訳（メタデータ） (2025-06-22T02:06:14Z)
• SurvUnc: A Meta-Model Based Uncertainty Quantification Framework for Survival Analysis [8.413107141283502]
  生存分析は、多くの現実世界の応用、特に医療やリスクアセスメントのような高度な領域において基礎となる。 多くの生存モデルが進歩しているにもかかわらず、予測の不確実性の定量化は未熟で困難なままである。 生存モデルのためのポストホック不確実性定量化のための新しいメタモデルベースのフレームワークであるSurvUncを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T18:12:20Z)
• ProMind-LLM: Proactive Mental Health Care via Causal Reasoning with Sensor Data [5.961343130822046]
  メンタルヘルスのリスクは、世界の公衆衛生にとって重要な課題である。 大規模言語モデル(LLMs)の開発により、それらは説明可能な精神医療応用のための有望なツールであることが注目されている。 本稿では、主観的心的記録と相補的な情報として客観的行動データを統合する革新的なアプローチであるProMind-LLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T07:36:28Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。