基于无监督标签校正的深度学习用于自杀与抑郁症识别
机器学习
2021-06-23 v2
摘要
对抑郁个体自杀意念的早期识别可使患者获得适当的医疗关注与支持，这在许多情况下能挽救生命。近期的自然语言处理（NLP）研究集中于从给定文本中分类个体是否处于自杀状态或临床健康状态。然而，尚无主要尝试去区分抑郁症与自杀意念，而这是一项重要的临床挑战。由于电子健康记录（EHR）数据、自杀遗书或其他类似已验证来源的稀缺，网络查询数据已成为一种有前景的替代方案。Reddit 等在线来源允许匿名，从而促使症状的真实披露，使其即使在临床环境中也是合理的来源。然而，这些在线数据集也导致性能下降，这可归因于网络抓取标签中固有的噪声，因而需要去噪过程。为此，我们提出 SDCNL，一种通过深度学习方法进行自杀与抑郁分类的方法。我们利用来自 Reddit 的在线内容训练算法，并提出一种新颖的无监督标签校正方法来验证和校正噪声标签，与以往工作不同，该方法不需要先验噪声分布信息。我们使用多种深度词嵌入模型和分类器进行的广泛实验，展示了该方法在一个新颖且具有挑战性的分类应用中的强劲性能。我们在 https://github.com/ayaanzhaque/SDCNL 上公开了代码与数据集。
引用
@article{arxiv.2102.09427,
title = {Deep Learning for Suicide and Depression Identification with Unsupervised Label Correction},
author = {Ayaan Haque and Viraaj Reddi and Tyler Giallanza},
journal= {arXiv preprint arXiv:2102.09427},
year = {2021}
}
备注
ICANN 2021; First two authors contributed equally