論文の概要: MERID: Multimodal Exploration via Recursive Self-Improvement Agents for Major Depression Analysis
- arxiv url: http://arxiv.org/abs/2609.36235v2
- Date: Wed, 30 Sep 2026 19:31:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.514642
- Title: MERID: Multimodal Exploration via Recursive Self-Improvement Agents for Major Depression Analysis
- Title（参考訳）: MERID:大規模抑うつ分析のための再帰的自己改善剤によるマルチモーダル探索
- Abstract要約: 大うつ病 (MDD) は日常生活活動や生活の質に深刻な影響を及ぼす。
MDDの検出には、インタビュー記録やセンサ測定などのマルチモーダルデータが含まれる。
この課題に対処するための既存の取り組みは、手動で設計されたマルチモーダルアーキテクチャとエージェント支援パイプライン開発の両方を調査してきた。
- 参考スコア（独自算出の注目度）: 26.03901785112063
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Major depressive disorder (MDD) severely impacts daily activities and quality of life. Detecting MDD involves multimodal data, such as interview recordings and sensor measurements. This is particularly challenging, as these heterogeneous modalities often demand distinct, customized prediction pipelines. Existing efforts to address this challenge have explored both manually engineered multimodal architectures and agent-assisted pipeline development. Despite their progress, it remains challenging to autonomously revise pipelines based on experimental feedback and carry verified improvements forward into subsequent designs. To this end, we propose Multimodal Exploration via Recursive Self-Improvement Agents for Major Depression Analysis (MERID). The framework develops depression pipelines through experience-based recursive self-improvement (RSI). Grounded State Construction (GSC) grounds experience by aligning multimodal records with subject-level depression targets. Coupled Pipeline Exploration (CPE) jointly modifies representations, fusion, and predictors to build successor pipelines for classification and severity estimation. Evidence-Guided Evolution (EGE) guides revisions through feedback and verifies gains under uncertainty in small depression cohorts before inheritance. Extensive experiments on depression benchmarks show that MERID achieves the best results on multiple tasks compared with multimodal and agent-based baselines. Further analysis highlights the value of acoustic and linguistic cues for depression detection. Our code is available at https://github.com/DiscoAILab/MERID
- Abstract（参考訳）: 大うつ病 (MDD) は日常生活活動や生活の質に深刻な影響を及ぼす。
MDDの検出には、インタビュー記録やセンサ測定などのマルチモーダルデータが含まれる。
これらの不均一なモダリティは、しばしば異なるカスタマイズされた予測パイプラインを必要とするため、これは特に困難である。
この課題に対処するための既存の取り組みは、手動で設計されたマルチモーダルアーキテクチャとエージェント支援パイプライン開発の両方を調査してきた。
その進歩にもかかわらず、実験的なフィードバックに基づいてパイプラインを自律的に修正し、その後の設計に検証された改善を実行することは依然として困難である。
そこで我々は,MERID(Major Depression Analysis)のための再帰的自己改善エージェントによるマルチモーダル探索を提案する。
このフレームワークは、経験に基づく再帰的自己改善(RSI)を通じてうつ病パイプラインを開発する。
グラウンドド・ステート・コンストラクション(GSC)は、マルチモーダル・レコードと主観レベルの抑うつ目標を整列させることによって、経験を基礎とする。
Coupled Pipeline Exploration (CPE)は、表現、融合、予測を共同で修正して、分類と重大度推定のための後継パイプラインを構築する。
EGE(Evidence-Guided Evolution)は、継承前の小さなうつ病コホートにおいて、フィードバックを通じてリビジョンをガイドし、不確実性の下で利益を検証する。
MERIDは,マルチモーダルおよびエージェントベースラインと比較して,複数のタスクにおいて最高の結果が得られることを示す。
さらに分析は、抑うつ検出のための音響的および言語的手がかりの価値を強調している。
私たちのコードはhttps://github.com/DiscoAILab/MERIDで利用可能です。
関連論文リスト
- LEDGERMIND: Provenance-Constrained Multimodal Agentic Reasoning with a Structured Evidence Ledger [11.70343232168598]
LedgerMindはプロビデンスに制約のあるエージェント推論エンジンである。
最終回答の精度が曖昧になる傾向にある4つの繰り返し発生する障害パターンをターゲットにしています。
答えの正確さと軌道レベルの忠実さの両方を改善する。
論文 参考訳（メタデータ） (2026-07-30T15:35:34Z) - AREX: Towards a Recursively Self-Improving Agent for Deep Research [75.96468303743958]
本稿では,再帰的自己改善型ディープリサーチエージェントであるAREXを紹介する。
AREXは、証拠を集め、暫定的な回答を構築する内部研究ループを交互に構成する。
我々は,エージェント学習と長期強化学習を通じて,AREXを検証済みの合成タスクと高品質な軌道上で訓練する。
論文 参考訳（メタデータ） (2026-07-23T16:05:46Z) - Decoding Error-Related Potentials under Multisensory Feedback with Varying Congruency [49.89366594261373]
現実的な設定では、不均一な多感覚フィードバックの下でエラー知覚がしばしば発生する。
特に、矛盾したフィードバックは、復号化の難しさと分類性能の低下に関連している。
我々は多分岐EEGNetベースのアーキテクチャを採用し、異種条件間の堅牢性を改善するために補助的な監視を行う。
論文 参考訳（メタデータ） (2026-07-08T09:13:14Z) - Hybrid Retriever Evolution for Multimodal Document Reasoning Agents [7.9215284090523355]
本稿では,メタエージェントが自律的にツール利用タスクエージェントの協調方法を検出する,障害駆動型進化フレームワークを提案する。
MMLongBench-DocとDocBenchでは、進化したエージェントは、未進化のベースライン上で最大+19.6ポイントのゲインを達成する。
論文 参考訳（メタデータ） (2026-06-28T23:36:34Z) - Escaping the Self-Confirmation Trap: An Execute-Distill-Verify Paradigm for Agentic Experience Learning [20.96920050192708]
体験駆動の自己進化は、大規模言語モデル(LLM)エージェントがオープンワールドインタラクションを通じて改善する上で重要である。
既存の経験学習手法は主に単一エージェントループに依存しており、同じエージェントがタスクを実行し、結果を要約し、メモリの内容を決定する。
本研究では,信頼度の高い体験学習のためのエクササイズ・ディスティル・検証フレームワークであるEDVを提案する。
論文 参考訳（メタデータ） (2026-06-23T11:05:05Z) - A case study of evaluating AI agents on a neuroscience data-to-discovery pipeline [4.751533658796929]
本研究では,ハエのオプトジェネティックスデータ発見パイプラインにおける汎用コーディングエージェントの実証研究について述べる。
既存のベンチマークよりも大幅に大きいタスクのエージェント、桁違いに大きいデータセット、ドメインエキスパート標準に基づく評価基準について評価する。
エージェントが複数のパイプラインステージを解決できることを示し、ステージレベルの自動化が抽出可能であることを示唆する。
論文 参考訳（メタデータ） (2026-06-05T15:38:18Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - PARM: Pipeline-Adapted Reward Model [60.769414637325326]
リワードモデル(RM)は、大規模言語モデル(LLM)を人間の好みと整合させることの中心であり、高度な復号化戦略を推進している。
これまでの作業はシングルステップ生成に重点を置いていたが、現実のアプリケーションはますますマルチステージパイプラインを採用するようになっている。
我々は、最適化のためのコード生成を通じてこれを調査し、報酬モデルを定式化とソリューション段階の両方に統合するパイプラインを構築する。
論文 参考訳（メタデータ） (2026-04-20T14:29:08Z) - AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。
本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。
AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
論文 参考訳（メタデータ） (2026-04-14T13:49:19Z) - Experience-Driven Multi-Agent Systems Are Training-free Context-aware Earth Observers [27.817039954088315]
ツールレベルの専門知識を学習するための自己進化型マルチエージェントシステムである textbfGeoEvolver を紹介する。
GeoEvolverはエンドツーエンドのタスクの成功を継続的に改善し、複数のバックボーンで平均12%向上することを示す。
論文 参考訳（メタデータ） (2026-01-30T15:11:07Z) - DeepfakeBench-MM: A Comprehensive Benchmark for Multimodal Deepfake Detection [52.13851094326683]
先進的な生成AIモデルの誤用は、偽化データの拡散をもたらした。
Mega-MMDFはマルチモーダルディープフェイク検出のための大規模で多種多様で高品質なデータセットである。
DeepfakeBench-MMは、マルチモーダルディープフェイク検出のための最初の統一ベンチマークである。
論文 参考訳（メタデータ） (2025-10-26T10:40:52Z)
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。