論文の概要: InertiaMPDD: Multimodal Personalized Depression Detection via Emotional Inertia-Inspired Dynamics Modeling
- arxiv url: http://arxiv.org/abs/2611.16647v1
- Date: Thu, 12 Nov 2026 11:22:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.455915
- Title: InertiaMPDD: Multimodal Personalized Depression Detection via Emotional Inertia-Inspired Dynamics Modeling
- Title(参考訳): InertiaMPDD:感情的慣性誘発ダイナミクスモデリングによるマルチモーダルパーソナライズドデプレッション検出
- Abstract要約: InertiaMPDDは、ワールドモデルにインスパイアされた潜在予測器を用いて、健全な次世代パターンを学習する。
基準偏差、残留崩壊速度、ジャコビアンスペクトル記述子は基準誘起感情力学記述子を形成する。
これらの知見は、参照情報と融合利益を区別し、文脈依存ユーティリティを明らかにする。
- 参考スコア(独自算出の注目度): 23.96391242647739
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal depression screening estimates risk from speech, visual behavior and language. Current methods mainly predict labels, with limited evidence of departures from a non-depressed reference. Recording-level supervision also leaves fine-grained emotional dynamics unannotated. Motivated by emotional inertia, the persistence of affect, InertiaMPDD learns healthy next-state patterns using a world-model-inspired latent predictor. Using pretrained multimodal representations, it predicts from observed history and context. Reference deviation, residual decay rate and a Jacobian spectral descriptor form reference-derived emotional dynamics descriptors, evaluated as candidate proxy biomarkers for standalone screening and personalized decision correction. Across five cohorts from four datasets, fusion reaches 98.41% F1 on D-Vlog and 84.98% on LMVD. Standalone descriptors outperform fixed additive fusion on MPDD but discriminate weakly on AVEC2014. These findings distinguish reference informativeness from fusion benefit and reveal context-dependent utility.
- Abstract(参考訳): マルチモーダルうつ病スクリーニングは、音声、視覚行動、言語からリスクを推定する。
現在の手法は主にラベルを予測しており、非圧縮参照からの離脱の証拠は限られている。
記録レベルの監視はまた、微粒な感情的ダイナミクスを未発表のまま残している。
InertiaMPDDは感情的慣性、感情の持続性によって動機付けられ、世界モデルにインスパイアされた潜在予測器を用いて健康な次の状態パターンを学習する。
事前訓練されたマルチモーダル表現を用いて、観測された履歴と文脈から予測する。
基準偏差, 残留崩壊速度, ヤコビスペクトル記述器は, スタンドアローンスクリーニングとパーソナライズド意思決定のための候補指標バイオマーカーとして評価された。
4つのデータセットの5つのコホートの中で、融合はD-Vlogで98.41%、LMVDで84.98%に達する。
スタンドアローンディスクリプタはMPDDの固定加算核融合よりも優れているが、AVEC2014では弱い。
これらの知見は、参照情報と融合利益を区別し、文脈依存ユーティリティを明らかにする。
関連論文リスト
- Mind the Divergence: Divergence-Guided Reliability-Aware Fusion and Adaptive LLM Prompting for Conversational Emotion Recognition [18.93767335309627]
モーダル間予測の不一致を定量化する分散中心のフレームワークであるMiD-ERCを提案する。
IEMOCAPとMELDの実験は、MiD-ERCが最先端のパフォーマンスを達成することを示した。
論文 参考訳(メタデータ) (2026-11-06T01:37:20Z) - From Sparse Representations to Behavioral Insights for Multimodal Depression Assessment [35.97893480571472]
スパース因子に基づくフレームワークであるBehavDepを導入し、マルチモーダルな振る舞い表現をスパース潜在因子に分解する。
BehavDepは、相補的なモダリティ貢献を明らかにしながら、最高の総合評価パフォーマンスを達成する。
論文 参考訳(メタデータ) (2026-10-08T12:03:06Z) - DSPO: Diversity-aware Subjective Policy Optimization for Robust Emotional Reasoning [24.24310526408756]
一般的なRLアルゴリズムは、感情推論タスクで深刻な失敗に苦しむ。
明示的な物理的対象とは異なり、感情状態は視覚的手がかりの中で深く暗黙的である。
この抽象的な性質はMLLMの視覚幻覚を悪化させ、少なくとも根拠のない感情的な証拠をもたらす。
論文 参考訳(メタデータ) (2026-09-29T05:46:55Z) - Depression Markers in Speech: An Approach based on Tract Variables Dynamics [52.72895760734978]
本研究では, トラクション変数の動的性質に基づいて, 新規なうつ病バイオマーカーを同定した。
提案するバイオマーカーは, 抑うつ話者と制御話者の識別を効果的に行う。
論文 参考訳(メタデータ) (2026-07-28T15:48:07Z) - Dynamic Summary Generation for Interpretable Multimodal Depression Detection [23.358673852385337]
スティグマと主観的症状が信頼できるスクリーニングを妨げているため、うつ病は広く診断され治療されていない。
本稿では,大規模言語モデルを用いて高精度かつ解釈可能な検出を行う,粗大なマルチステージフレームワークを提案する。
論文 参考訳(メタデータ) (2026-04-13T11:34:40Z) - DynHD: Hallucination Detection for Diffusion Large Language Models via Denoising Dynamics Deviation Learning [48.77865928715759]
拡散大言語モデル (D-LLM) は自己回帰モデルに代わる有望な代替品として登場した。
幻覚は 信頼性を損なう重要な問題です
本研究では,これらのギャップを空間的(トケンシーケンス)と時間的(デノナイジングダイナミクス)の両方の観点から橋渡しするDynHDを提案する。
論文 参考訳(メタデータ) (2026-03-17T12:40:29Z) - Memory-guided Prototypical Co-occurrence Learning for Mixed Emotion Recognition [56.00118641432005]
本稿では,感情共起パターンを明示的にモデル化するメモリ誘導型プロトタイプ共起学習フレームワークを提案する。
人間の認知記憶システムに触発されて,意味レベルの共起関係を抽出するメモリ検索戦略を導入する。
本モデルは感情分布予測のための感情情報表現を学習する。
論文 参考訳(メタデータ) (2026-02-24T04:11:25Z) - ADEPT: RL-Aligned Agentic Decoding of Emotion via Evidence Probing Tools -- From Consensus Learning to Ambiguity-Driven Emotion Reasoning [67.22219034602514]
ADEPT(Agentic Decoding of Emotion via Evidence Probing Tools)は,感情認識をマルチターン探索プロセスとして再構成するフレームワークである。
ADEPTはSLLMを進化する候補感情を維持するエージェントに変換し、専用のセマンティックおよび音響探査ツールを適応的に呼び出す。
ADEPTは、ほとんどの設定において主感情の精度を向上し、微妙な感情の特徴を著しく改善することを示した。
論文 参考訳(メタデータ) (2026-02-13T08:33:37Z) - PersonaDrift: A Benchmark for Temporal Anomaly Detection in Language-Based Dementia Monitoring [0.9668407688201359]
PersonaDriftは、日々のコミュニケーションの進行的な変化を検出するための機械学習と統計的手法を評価するために設計されたベンチマークである。
このベンチマークは、介護者が特に有能であると強調した2種類の縦方向の変化に焦点を当てている。
予備的な結果は, ベースライン変動率の低いユーザにおいて, 単純な統計モデルを用いて, 平坦感が検出できることを示唆している。
論文 参考訳(メタデータ) (2025-11-20T15:15:00Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳(メタデータ) (2022-11-09T14:48:13Z)
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。