論文の概要: Can Conversational Temporal Dynamics Improve Depression Detection in Dyads? A Preliminary Investigation in Multi-Modality Perspectives

• arxiv url: http://arxiv.org/abs/2607.03744v1
• Date: Sat, 04 Jul 2026 07:33:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.703994
• Title: Can Conversational Temporal Dynamics Improve Depression Detection in Dyads? A Preliminary Investigation in Multi-Modality Perspectives
• Title（参考訳）: 会話時相ダイナミクスはダイズの抑うつ検出を改善するか? : 多面的視点による予備的検討
• Abstract要約: 自己教師型エンコーダを融合した主モータリティとして,会話の時間的ダイナミクス,特にダイアド・ターンペアのタイミングについて検討する。 小型24次元タイミングモジュールを凍結型WavLM型およびRoBERTa型ベースライン検出器と比較した。 学習された融合は、効果的にゼロウェイトを音響に割り当て、会話のタイミングがダイアドうつ病スクリーニングの軽量で解釈可能な補完となることを示した。
• 参考スコア（独自算出の注目度）: 45.77288458953584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic depression detection from clinical interviews typically models the semantic content and acoustic characteristics of participant speech. However, the interactional timing between the clinician and participant remains comparatively under-modeled. We investigate conversational temporal dynamics, specifically dyadic turn-pair timing, as a primary modality fused with self-supervised encoders. Evaluated on the DAIC-WOZ dataset, we compare a compact 24-dimensional timing module against frozen WavLM-large and RoBERTa-large baseline detectors. This temporal module achieves the highest single-modality performance on the development set. Furthermore, a convex-weighted late fusion strategy improves overall performance to 0.804 and 0.669 macro-F1 on the development and test sets, respectively. The learned fusion effectively assigns zero weight to acoustics, demonstrating that conversational timing serves as a lightweight, interpretable complement for dyadic depression screening.
• Abstract（参考訳）: 臨床面接からの自動抑うつ検出は、通常、参加者音声の意味的内容と音響的特徴をモデル化する。 しかし、臨床医と参加者の相互作用のタイミングは、比較的低モデルのままである。 自己教師型エンコーダを融合した主モータリティとして,会話の時間的ダイナミクス,特にダイアド・ターンペアのタイミングについて検討する。 DAIC-WOZデータセットを用いて、小型24次元タイミングモジュールを凍結したWavLM-largeとRoBERTa-largeベースライン検出器と比較した。 この時間モジュールは、開発セット上で最も高い単一モダリティ性能を達成する。 さらに、凸重み付き後期融合戦略は、開発およびテストセットにおいて、それぞれ0.804と0.669のマクロF1に全体的な性能を向上する。 学習された融合は、効果的にゼロウェイトを音響に割り当て、会話のタイミングがダイアドうつ病スクリーニングの軽量で解釈可能な補完となることを示した。

関連論文リスト

• The Impact of Temporal Context Length and Encoding Strategies on Self-Supervised ECG Representation Learning [0.8411385346896411]
  心電図(ECG)モデルは、しばしば数秒間の心電図信号に基づいて訓練される。 これらの選択がリズム推定や時間的整合性に必要な情報を犠牲にしているかどうかは不明である。 我々はIcentia11kシングルリードデータセットについて制御された研究を行った。
  論文  参考訳（メタデータ） (2026-08-13T01:18:39Z)
• CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents [53.73961877379327]
  CuteTTSはコンパクトな連続自己回帰型TSシステムである。 意味的に整列した因果性VAE潜伏剤とパッチレベルの自己回帰、明示的な話者条件付け、双方向のフローマッチングヘッドを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-09T11:10:20Z)
• Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
  本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。 提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-01-17T03:35:39Z)
• MedFuse: Multiplicative Embedding Fusion For Irregular Clinical Time Series [13.933658032225317]
  MuFuse モジュールをベースとした不規則な臨床時系列のフレームワーク MedFuse を提案する。 3つの実世界のデータセットの実験によると、MedFuseは、主要な予測タスクにおける最先端のベースラインを一貫して上回っている。 これらの結果は、不規則な臨床時系列をモデル化するための一般化可能なアプローチとしてMedFuseを確立している。
  論文  参考訳（メタデータ） (2025-11-12T12:10:07Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• Temporal-Aware Iterative Speech Model for Dementia Detection [0.0]
  音声を用いた認知症自動検出の現在の手法は,静的,時間に依存しない特徴や集約された言語コンテンツに依存している。 本稿では,認知症検出のための自然発話を動的にモデル化するテンポラル・アウェア・イテレーティブ・フレームワークであるTAI-Speechを紹介する。 私たちの研究は、より柔軟で堅牢な認知評価ソリューションを提供し、生のオーディオのダイナミクスを直接操作します。
  論文  参考訳（メタデータ） (2025-09-26T01:56:07Z)
• Dynamic Fusion Multimodal Network for SpeechWellness Detection [7.169178956727836]
  自殺は青年期の死因の1つである。 これまでの自殺リスク予測研究は、主に単独でテキスト情報と音響情報の両方に焦点を当ててきた。 音声検出のための動的融合機構に基づく軽量マルチブランチマルチモーダルシステムについて検討する。
  論文  参考訳（メタデータ） (2025-08-25T14:18:12Z)
• Full-Duplex-Bench: A Benchmark to Evaluate Full-duplex Spoken Dialogue Models on Turn-taking Capabilities [93.09944267871163]
  FullDuplexBenchは、重要なインタラクティブな振る舞いを体系的に評価するベンチマークである。 ベンチマークコードを公開することによって、音声対話モデリングの進歩と、より自然で魅力的なSDMの開発を目指しています。
  論文  参考訳（メタデータ） (2025-03-06T18:59:16Z)
• High-Fidelity Speech Synthesis with Minimal Supervision: All Using Diffusion Models [56.00939852727501]
  最小教師付き音声合成は、2種類の離散音声表現を組み合わせることでTSを分離する。 非自己回帰フレームワークは、制御可能性を高め、持続拡散モデルは、多様化された韻律表現を可能にする。
  論文  参考訳（メタデータ） (2023-09-27T09:27:03Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。