論文の概要: PAT: A Personality-Driven Augmentation and Transfer Learning Framework for Depression Detection on Social Media

• arxiv url: http://arxiv.org/abs/2610.15044v1
• Date: Sat, 10 Oct 2026 16:30:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:47:12.501699
• Title: PAT: A Personality-Driven Augmentation and Transfer Learning Framework for Depression Detection on Social Media
• Title（参考訳）: PAT: ソーシャルメディア上での抑うつ検出のためのパーソナリティ駆動型Augmentation and Transfer Learningフレームワーク
• Abstract要約: うつ病は世界中で何百万人もの人に影響を与えている精神疾患である。 存在? 自動うつ病検出で 有望な結果が得られました。 PAT(Personality-driven Augmentation and Transfer Learning frame)を提案する。
• 参考スコア（独自算出の注目度）: 33.535072697769245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depression is a prevalent mental disorder that affects millions worldwide, with early detection crucial for effective intervention. While exist?ing methods have achieved promising results in automated depression detection, they face two key limitations: (1) noise in post screening: symptom-based semantic screening is easily misled by superficial lexical patterns, thereby introducing false-positive posts; (2) weak op?timization of the post encoder: relying solely on coarse user-level supervision signals pre?vents models from capturing depressive cues within individual posts. To address these limita?tions, we propose PAT, a Personality-driven Augmentation and Transfer learning frame?work. In the first phase, PAT optimizes a post?level encoder via a fine-grained contrastive learning objective, utilizing LLM-based data augmentation driven by classic personality the?ories to alleviate data scarcity. In the second phase, the trained post-level scorer is deployed for high-quality post filtering, while its en?coder parameters are seamlessly transferred for user-level tasks. Extensive experiments demon?strate that PAT significantly outperforms exist?ing methods. Furthermore, PAT delivers multi?granular interpretability by tracing post-level mental-state trajectories and highlighting key symptoms, thereby offering reliable diagnostic evidence for clinical practice.
• Abstract（参考訳）: うつ病は世界中の何百万もの人に影響を与え、早期発見は効果的な介入に不可欠である。 存在する? 1) ポストスクリーニングにおけるノイズ: 症状ベースのセマンティックスクリーニングは、表面的語彙パターンによって容易に誤解され、偽陽性のポストが導入される。 ポストエンコーダの最適化: 粗いユーザレベルの監視信号にのみ依存するか? モデルは個々のポスト内で うつ病の手がかりを捉えない これらの制限に対処する? PAT(Personality-driven Augmentation and Transfer Learning frame)を提案する。 仕事だ 第1フェーズでは、PATはポストを最適化しますか? 古典的パーソナリティによって駆動されるLLMに基づくデータ拡張を利用した、微粒なコントラスト学習目的によるレベルエンコーダ? データの不足を和らげるためです 第2フェーズでは、トレーニングされたポストレベルスコアラが高品質なポストフィルタリングのためにデプロイされ、enは? コーダパラメータはユーザレベルのタスクに対してシームレスに転送される。 実験悪魔? PATが著しく優れていますか? ingメソッド。 さらに、PATはマルチ配信しますか? ポストレベル精神状態の軌跡を辿り、重要な症状を強調することにより、グラニュラー解釈可能性を高め、臨床実践の信頼性の高い診断証拠を提供する。

関連論文リスト

• Uncertainty-Aware Exploratory Direct Preference Optimization for Multimodal Large Language Models [53.15468578562038]
  マルチモーダル大言語モデル(MLLM)のための不確実性を考慮した探索的直接参照最適化(UE-DPO)手法を提案する。 まず、与えられた画像にトークン予測を根拠にしなかったモデルの不確かさを定量化する。 次に、好ましいサンプルにおいて、視覚的に不足したトークンに対する学習のプレッシャーを高め、非推奨サンプルにおける有益な知識の過度な報酬化を緩和する。
  論文  参考訳（メタデータ） (2026-05-06T13:08:12Z)
• MA-DLE: Speech-based Automatic Depression Level Estimation via Memory Augmentation [59.709198999959206]
  音声に基づく抑うつ状態の自動推定は、早期発見と時間的介入を可能にするために不可欠である。 既存のアプローチのほとんどは、うつ病推定のための時間情報をモデル化するためにRNNベースのアーキテクチャに依存している。 本稿では,GRU抽出した特徴の表現能力を向上するメモリベースの特徴拡張手法を提案する。
  論文  参考訳（メタデータ） (2026-04-20T14:42:13Z)
• Hallucination Begins Where Saliency Drops [18.189047289404325]
  幻覚は、前の出力トークンが次のトークンの予測に対して低い正当性を示すときにしばしば起こる。 LVLMs-Saliencyは,各出力トークンの視覚的グラウンドリング強度を定量化する,勾配認識型診断フレームワークである。 本手法は, 流速とタスク性能を保ちながら幻覚率を大幅に低減し, 堅牢かつ解釈可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-28T05:50:52Z)
• DepFlow: Disentangled Speech Generation to Mitigate Semantic Bias in Depression Detection [54.209716321122194]
  抑うつ条件付きテキスト音声合成フレームワークであるDepFlowについて述べる。 抑うつ音響カモフラージュは、対向訓練を通じて話者と内容不変の抑うつ埋め込みを学習する。 フローマッチングTTSモデルとFiLM変調はこれらの埋め込みを合成に注入し、うつ病の重症度を制御する。 プロトタイプベースの重度マッピング機構は、うつ病連続体を滑らかかつ解釈可能な操作を提供する。
  論文  参考訳（メタデータ） (2026-01-01T10:44:38Z)
• LMILAtt: A Deep Learning Model for Depression Detection from Social Media Users Enhanced by Multi-Instance Learning Based on Attention Mechanism [2.398386906858336]
  うつ病は世界的な公衆衛生上の大きな課題であり、早期の身元確認は極めて重要である。 本研究ではLMILAttモデルを提案し,Long Short-Term Memory Autoencoderとアテンション機構を統合した。 実験により、精度、リコール、F1スコアの点で、モデルがベースラインモデルよりもはるかに優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-30T11:58:32Z)
• Systematic Evaluation of Machine-Generated Reasoning and PHQ-9 Labeling for Depression Detection Using Large Language Models [5.426680341952808]
  うつ病のような初期のメンタルヘルス検出のための大規模言語モデル(LLM)は、しばしば機械生成データによって最適化される。 本稿では,機械による検出と解釈に対する推論を体系的に評価する。 次に、モデルの推論能力を使用して、パフォーマンスを向上させるための緩和戦略を探索します。
  論文  参考訳（メタデータ） (2025-05-21T16:30:50Z)
• AGIR: Assessing 3D Gait Impairment with Reasoning based on LLMs [0.0]
  歩行障害は、神経変性疾患の早期診断、疾患モニタリング、治療評価において重要な役割を果たす。 近年のディープラーニングベースのアプローチは、分類精度を一貫して改善しているが、解釈可能性に欠けることが多い。 本稿では、事前訓練されたVQ-VAEモーショントークンライザと、一対のモーショントークン上で微調整されたLarge Language Model(LLM)からなる新しいパイプラインであるAGIRを紹介する。
  論文  参考訳（メタデータ） (2025-03-23T17:12:16Z)
• A BERT-Based Summarization approach for depression detection [1.7363112470483526]
  うつ病は世界中で流行する精神疾患であり、対処されないと深刻な反感を引き起こす可能性がある。 機械学習と人工知能は、さまざまなデータソースからのうつ病指標を自律的に検出することができる。 本研究では,入力テキストの長さと複雑さを低減させる前処理手法として,テキスト要約を提案する。
  論文  参考訳（メタデータ） (2024-09-13T02:14:34Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。