面向音视频应力检测的公平性意识的少样本学习
机器学习
2025-11-13 v1 计算机与社会
人机交互
摘要
AI驱动的应力检测公平性对于实现公平的心理健康护理至关重要，但现有模型在数据稀缺情境下经常表现出性别偏差。为解决此问题，我们提出FairM2S，一个面向应力检测的公平性意识的元学习框架，利用音视频数据。FairM2S在meta训练和adaptation阶段整合Equalized Odds约束，采用对抗性梯度遮蔽和受公平性约束的meta更新，有效缓解偏差。评估结果表明，FairM2S在五个最先进基准上的准确率达78.1%，将Equal Opportunity降低到0.06，显著实现了公平性提升。我们还发布了SAVSD，一个设计用于支持低资源真实场景下公平性研究的智能手机采集数据集，包含性别标注。总体而言，FairM2S作为一种公平且可扩展的少样本应力检测方法，为心理健康AI提供了最先进的解决方案。我们公开发布了数据集和FairM2S。
引用
@article{arxiv.2511.09039,
title = {Fairness-Aware Few-Shot Learning for Audio-Visual Stress Detection},
author = {Anushka Sanjay Shelke and Aditya Sneh and Arya Adyasha and Haroon R. Lone},
journal= {arXiv preprint arXiv:2511.09039},
year = {2025}
}