論文の概要: FedMental: Evaluating Federated Learning for Mental Health Detection from Social Media Data
- arxiv url: http://arxiv.org/abs/2605.18936v1
- Date: Mon, 18 May 2026 17:26:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:08.891107
- Title: FedMental: Evaluating Federated Learning for Mental Health Detection from Social Media Data
- Title（参考訳）: FedMental: ソーシャルメディアデータを用いたメンタルヘルス検出のためのフェデレーション学習の評価
- Authors: Nuredin Ali Abdelkadir, Anjali Ratnam, Zeerak Talat, Stevie Chancellor,
- Abstract要約: ソーシャルメディアのテキストデータは、高リスクのメンタルヘルス行動を示すユーザを特定するために機械学習(ML)モデルをトレーニングするためにしばしば使用される。
プライバシ保護のML技術が、パフォーマンスを保ちながら、より安全なデータ共有を可能にするかどうかを評価する。
本研究は、メンタルヘルス推論タスクにおける現在のプライバシー保護技術の可能性と限界を実証的に実証する。
- 参考スコア（独自算出の注目度）: 8.551266081669919
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Social media text data are often used to train Machine Learning (ML) models to identify users exhibiting high-risk mental health behaviors. However, sharing this sensitive data poses privacy risks and limits the growth of benchmark datasets. We comprehensively evaluate whether privacy-preserving ML techniques can enable safer data sharing while preserving performance. Specifically, we apply federated learning (FL) and Differentially Private FL for two widely-studied mental health prediction tasks: depression detection on X (Twitter) and suicide crisis detection on Reddit. We simulate realistic data-sharing scenarios by treating each user as a client in a non-IID setting, evaluating across different client fractions, aggregation strategies, and privacy budgets. While FL achieves comparable performance to centralized training (centralized F1 = 85.63; best FL model F1 = 83.16) on depression identification, we find that Differentially Private FL has a large performance-privacy trade-off (up to F1 = 27.01 drop) even with low levels of noise (epsilon = 50). This is due to the distortion of highly informative yet sparse mental health linguistic markers related to mental health, like health topics and emotion words. This research empirically demonstrates the potential and limitations of current privacy preservation techniques for mental health inference tasks.
- Abstract（参考訳）: ソーシャルメディアのテキストデータは、高リスクのメンタルヘルス行動を示すユーザを特定するために機械学習(ML)モデルをトレーニングするためにしばしば使用される。
しかし、このセンシティブなデータを共有すると、プライバシのリスクが発生し、ベンチマークデータセットの成長が制限される。
プライバシ保護のML技術が、パフォーマンスを保ちながら、より安全なデータ共有を可能にするかどうかを包括的に評価する。
具体的には,X(Twitter)のうつ病検出とRedditの自殺危機検出という,広く研究されている2つのメンタルヘルス予測タスクに対して,フェデレートラーニング(FL)とディファレンシャル・プライベートFLを適用した。
非IID設定で各ユーザをクライアントとして扱うことで、現実的なデータ共有シナリオをシミュレートし、異なるクライアント分数、アグリゲーション戦略、プライバシ予算を評価します。
FLは集中型トレーニング(集中型F1 = 85.63; ベストFLモデルF1 = 83.16)に匹敵する性能を達成するが、差分的プライベートFLは低レベルのノイズ(エプシロン= 50)でも大きなパフォーマンスプライバシトレードオフ(F1 = 27.01ドロップまで)を有する。
これは、健康に関する話題や感情的な言葉など、精神的健康に関連する、非常に情報に富むがまばらなメンタルヘルスの言語マーカーの歪みによるものである。
本研究は、メンタルヘルス推論タスクにおける現在のプライバシー保護技術の可能性と限界を実証的に実証する。
関連論文リスト
- FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。
FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。
汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
論文 参考訳（メタデータ） (2026-03-12T08:28:41Z) - FedMentalCare: Towards Privacy-Preserving Fine-Tuned LLMs to Analyze Mental Health Status Using Federated Learning Framework [0.0]
FedCareは、メンタルヘルスケアアプリケーションに大規模言語モデル(LLM)をデプロイするための、プライバシ保護フレームワークである。
われわれのフレームワークは、現実のメンタルヘルスシナリオにLSMをデプロイするためのスケーラブルでプライバシに配慮したアプローチを実証している。
論文 参考訳（メタデータ） (2025-02-27T07:04:19Z) - On-device Federated Learning in Smartphones for Detecting Depression from Reddit Posts [0.0]
ソーシャルメディアの投稿は個人の精神状態に関する貴重な情報を提供している。
本研究では,スマートフォン上での分散学習を容易にするために,フェデレートラーニング(FL)を採用した。
トレーニングプロセスを最適化するために、すべてのクライアントデバイスで共通のトークン化ツールを活用します。
論文 参考訳（メタデータ） (2024-10-17T16:09:32Z) - Differential Private Federated Transfer Learning for Mental Health Monitoring in Everyday Settings: A Case Study on Stress Detection [4.439102809224707]
メンタルヘルスの状況は、生活の質に対する悪影響を軽減するために、効率的なモニタリングを必要とする。
既存のアプローチは、現実世界のアプリケーションにおいて、特定のサイバー攻撃やデータ不足に対する脆弱性と戦っている。
メンタルヘルスモニタリングのための差分私的フェデレート・トランスファー学習フレームワークを導入し,データプライバシの向上とデータ満足度の向上を図る。
論文 参考訳（メタデータ） (2024-02-16T18:00:04Z) - Federated Learning with Privacy-Preserving Ensemble Attention
Distillation [63.39442596910485]
Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。
本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。
我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
論文 参考訳（メタデータ） (2022-10-16T06:44:46Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳（メタデータ） (2021-06-24T17:46:03Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z)
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。