面向说话人无关的基于语音的性别暴力状况检测机器学习无监督
机器学习
2025-11-27 v2
摘要
性别暴力是一种普遍的公共卫生问题，对女性的心理健康造成严重影响，常导致焦虑、抑郁、创后压力障碍和药物滥用等状况。识别这些心理健康状况的组合可指向性别暴力受害者。尽管语音人工智能工具在精神健康筛查方面显示出作为解决方案的潜力，但在遇到来自以前未见说话人时，其性能常恶化，这表明说话人特征可能是干扰因素。本研究引入一种面向说话人无关的语音性别暴力受害者状况检测方法，旨在开发能够跨说话人泛化的稳健人工智能模型。通过采用域对抗训练，我们减少了说话人身份对模型预测的影响，在保持性别暴力受害者状况分类准确率提升6.37%（相对提升）的同时，将说话人识别准确率降低26.95%。这些结果表明我们的模型有效捕获了与性别暴力受害者状况相关的 paralinguistic 生物标志物，而非说话人特有的特征。此外，模型的预测结果与临床前创后压力障碍症状呈中度相关，支持语音作为非侵入性心理健康监测工具的相关性。本工作为支持性别暴力幸存者的伦理、隐私保护人工智能系统奠定了基础。
引用
@article{arxiv.2411.18177,
title = {Machine Unlearning for Speaker-Agnostic Detection of Gender-Based Violence Condition in Speech},
author = {Emma Reyner-Fuentes and Esther Rituerto-Gonzalez and Carmen Pelaez-Moreno},
journal= {arXiv preprint arXiv:2411.18177},
year = {2025}
}