从移动数据中学习语言与多模态的隐私保护情绪标记

即使在普遍可获得先进医疗服务的国家，精神健康状况仍未被充分诊断。从易于收集的数据中准确高效地预测情绪，对精神健康障碍的早期发现、干预和治疗具有重要意义。有助于监测人类行为的一个有前景的数据源是日常智能手机使用。然而，必须注意在不通过个人（例如个人身份信息）或受保护（例如种族、性别）属性识别用户的情况下总结行为。在本文中，我们使用近期来自自杀行为高风险青少年群体的移动行为数据集研究每日情绪的行为标记。利用计算模型，我们发现移动键入文本（涵盖键入字符、单词、击键时序和应用使用）的语言和多模态表示可预测每日情绪。然而，我们发现被训练用于预测情绪的模型在其中间表示中常常也捕获了私人用户身份。为解决该问题，我们评估了在保持可预测性的同时混淆用户身份的方法。通过结合多模态表示与隐私保护学习，我们能够推进性能-隐私前沿。