論文の概要: WPG-MoE: Weak-Prior-Guided Dense Mixture-of-Experts for User-Level Social Media Depression Detection

• arxiv url: http://arxiv.org/abs/2607.04350v1
• Date: Sun, 05 Jul 2026 15:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.906309
• Title: WPG-MoE: Weak-Prior-Guided Dense Mixture-of-Experts for User-Level Social Media Depression Detection
• Title（参考訳）: WPG-MoE:ユーザレベルソーシャルメディアデプレッション検出のためのWak-Prior-Guided Dense Mixture-of-Experts
• Abstract要約: WPG-MoEは、共有大言語モデル(LLM)のバックボーン上に構築された、エキスパートの混合フレームワークである。 我々はこのプロセスを特権情報(LUPI)を用いた学習として定式化する。 中国語と英語のデータセットの実験では、WPG-MoEは解釈可能なルーティングの振る舞いで強いベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 30.701962517398314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online social media posts provide scalable signals for early depression screening, and recent studies mainly improve pre-classification evidence through risk-post selection, symptom grounding, and clinically informed feature construction. However, these screening-stage designs often leave final decisions to a single detector, overlooking how users heterogeneously express depressive risk after screening. A monolithic classifier must average across heterogeneous users, which may dilute localized evidence and cause misclassification, especially for non-self-disclosing users. To address this issue, we propose WPG-MoE, a weak-prior-guided dense mixture-of-experts framework built on a shared large language model (LLM) backbone. WPG-MoE derives user-level weak semantic priors to softly route users to experts matched to different evidence layouts. We formulate this process as learning using privileged information (LUPI): rich LLM-extracted structured evidence guides training-time routing, while inference retains only Patient Health Questionnaire-9 (PHQ-9) template screening and the deployable backbone. Experiments on Chinese and English datasets show that WPG-MoE outperforms strong baselines with interpretable routing behavior.
• Abstract（参考訳）: オンラインソーシャルメディア投稿は、早期うつ病スクリーニングのためのスケーラブルなシグナルを提供し、近年の研究では、リスクポストの選択、症状の接地、臨床的に通知された特徴構築を通じて、分類前の証拠を主に改善している。 しかし、これらのスクリーニングステージの設計は、ユーザーがスクリーニング後に不均一にうつ病リスクを表現する方法を見越して、最終的な決定を単一の検出器に任せることが多い。 モノリシック分類器は、局所的な証拠を減らし、誤分類を引き起こす可能性がある異種ユーザに対して平均でなければならない。 この問題に対処するために,共有大言語モデル(LLM)のバックボーン上に構築されたWPG-MoEを提案する。 WPG-MoEは、ユーザを異なるエビデンスレイアウトにマッチした専門家にソフトにルーティングする、ユーザレベルの弱いセマンティックを導出する。 我々は,このプロセスを特権情報(LUPI)を用いた学習として定式化し,LLM抽出されたリッチな構造化されたエビデンスによってトレーニング時ルーティングがガイドされ,推論は患者健康アンケート-9(PHQ-9)テンプレートスクリーニングと展開可能なバックボーンのみを保持する。 中国語と英語のデータセットの実験では、WPG-MoEは解釈可能なルーティングの振る舞いで強いベースラインを上回っている。

関連論文リスト

• MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
  トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。 MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。 提案手法は直接推論遅延の最大7分の1の属性を生成する。
  論文  参考訳（メタデータ） (2026-07-01T19:29:19Z)
• MHGraphBench: Knowledge Graph-Grounded Benchmarking of Mental Health Knowledge in Large Language Models [13.221931392711406]
  大規模言語モデル(LLM)は、メンタルヘルス領域でますます使われている。 関連バイオメディカルな知識がどの程度うまく捉えられるか、臨床的に健全な構造化された判断にどの程度確実に適用されているかは、いまだ不明である。 本稿では,精神保健機関の認識,関係判断,2ホップ推論におけるLCMの評価を行うための知識グラフ付きベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-05-15T03:55:27Z)
• RRCM: Ranking-Driven Retrieval over Collaborative and Meta Memories for LLM Recommendation [14.301653810918713]
  大規模言語モデル(LLM)は、次世代のレコメンデーションシステムにとって有望なパラダイムとして登場した。 LLMに基づくエージェントレコメンデーションのためのランキング駆動型検索・推論フレームワークRRCMを提案する。
  論文  参考訳（メタデータ） (2026-05-08T02:07:30Z)
• CARE: Privacy-Compliant Agentic Reasoning with Evidence Discordance [32.43119949391787]
  集中治療室 (ICU) 設定において, 短期臓器機能低下の予測を悪化させるデータセットMIMIC-DOSを導入する。 徴候と症状が一致しない症例のみから構築する。 この設定は、既存のLLMベースのアプローチに重大な課題をもたらす。 本稿では,多段階のプライバシに準拠したエージェント推論フレームワークであるCAREを提案する。
  論文  参考訳（メタデータ） (2026-04-01T16:37:01Z)
• Membership Inference Attacks against Large Audio Language Models [50.84901010528239]
  大規模音声言語モデル(LALM)のMIA評価について述べる。 テキスト,スペクトル,韻律的特徴に基づくマルチモーダルブラインドベースラインを用いて,一般的な音声データセットがほぼ完璧な列車/テスト分離性を示すことを示す。 以上の結果から, LALM検査の基準基準が確立された。
  論文  参考訳（メタデータ） (2026-03-30T12:45:28Z)
• Manifold-based Sampling for In-Context Hallucination Detection in Large Language Models [5.187020963919455]
  大型言語モデル (LLMs) は、しばしば幻覚と呼ばれる、事実的に誤った、またはサポートされていないコンテンツを生成する。 そこで本研究では,文書内デモを選択するための,多様体を用いた実演サンプリングフレームワークMB-ICLを提案する。
  論文  参考訳（メタデータ） (2026-01-08T06:17:18Z)
• Beyond One-Size-Fits-All: Personalized Harmful Content Detection with In-Context Learning [4.559454504442884]
  本稿では, 有害性, スパム, ネガティブ感情の検出を, バイナリ, マルチクラス, マルチラベル設定で統一するフレームワークを提案する。 このアプローチにより、軽量なパーソナライズが可能となり、ユーザーは、新しいカテゴリを簡単にブロックしたり、既存のカテゴリをブロックしたり、検出をセマンティックなバリエーションに拡張できる。
  論文  参考訳（メタデータ） (2025-10-29T09:11:20Z)
• How Do LLM-Generated Texts Impact Term-Based Retrieval Models? [76.92519309816008]
  本稿では,大規模言語モデル(LLM)が項ベース検索モデルに与える影響について検討する。 言語学的解析により,LLM生成テキストはよりスムーズで低周波なZipf勾配を示すことが明らかとなった。 本研究は,項分布がクエリと密接に一致した文書を優先して,項ベース検索モデルがソースバイアスを示すかどうかを考察する。
  論文  参考訳（メタデータ） (2025-08-25T06:43:27Z)
• ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
  本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。 ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
  論文  参考訳（メタデータ） (2025-07-21T17:02:57Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)

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。