EviDep：基于解缠证据学习的可信多模态抑郁估计
机器学习
2026-05-11 v2 人工智能
摘要
在无约束环境中进行自动化多模态抑郁估计天然面临自然噪声和复杂行为变异性的挑战。然而，现有的确定性方法会产生无校准的点估计，无法量化预测不确定性，从而使决策暴露于过于自信且不可信估计的风险。为建立可靠可信的估计范式，我们提出EviDep，一种证据学习框架，通过正态-逆Gamma分布联合量化抑郁严重程度以及aleatoric 和epistemic 不确定性。为确保提取的行为证据的完整性，并防止多模态融合期间人工置信度膨胀，EviDep引入两个量身定制的机制。首先，针对行为线索的时间-频率异质性，一种频率感知特征提取模块利用小波基于的Mixture-of-Experts动态分离稳定的宏观情感基线与瞬时微观行为爆发，有效过滤与任务无关的杂质。其次，一种解缠证据学习策略在这些被净化的表示中强制显式解耦特征。通过在贝叶斯融合前分离跨模态的共识与模态特定的行为细微差异，这种严格的解缠严格防止模型对重复计数重叠信息。大量实验表明，EviDep在AVEC 2013、AVEC 2014、DAIC-WOZ和E-DAIC数据集上实现了领先的预测精度和优异的不确定性校准，从而为抑郁估计提供了可信、风险感知的决策支持工具。
引用
@article{arxiv.2604.16579,
title = {EviDep: Trustworthy Multimodal Depression Estimation via Disentangled Evidential Learning},
author = {Fangyuan Liu and Sirui Zhao and Zeyu Zhang and Jinyang Huang and Feng-Qi Cui and Bin Luo and Meng Li and Tong Xu and Enhong Chen},
journal= {arXiv preprint arXiv:2604.16579},
year = {2026}
}