基于异常排序与分类联合优化的纵向数据深度抑郁预测
机器学习
2022-03-22 v2 人工智能
计算机与社会
摘要
已有大量方法用于识别抑郁症，但它们主要关注衡量个体当前受抑郁困扰的程度。本工作中，我们探索利用机器学习应用于纵向社会人口学数据来预测未来抑郁的可能性。在此过程中，我们表明诸如住房状况与家庭环境细节等数据可为预测未来精神障碍提供线索。为此，我们引入一种新颖的深度多任务循环神经网络以学习时间相关的抑郁线索。抑郁预测任务与两个辅助异常排序任务（包括对比单类特征排序与偏离排序）联合优化。辅助任务解决了该问题的两个关键挑战：1）抑郁样本的类内高方差：它们使得学习到的表征对抑郁样本高度变化的类内分布具有鲁棒性；2）标注数据量少：它们显著增强了预测模型的样本效率，从而降低对实践中难以收集的大规模抑郁标注数据集的依赖。在大规模儿童抑郁数据上的大量实证结果表明，我们的模型具有样本效率，且能在疾病发生前 2-4 年准确预测抑郁，大幅优于八个代表性对比方法。
引用
@article{arxiv.2012.02950,
title = {Deep Depression Prediction on Longitudinal Data via Joint Anomaly Ranking and Classification},
author = {Guansong Pang and Ngoc Thien Anh Pham and Emma Baker and Rebecca Bentley and Anton van den Hengel},
journal= {arXiv preprint arXiv:2012.02950},
year = {2022}
}
备注
Accepted to PAKDD 2022