通过反事实推断缓解抑郁检测中的性别偏见
机器学习
2026-02-04 v2 人工智能
计算机与社会
摘要
音频基因抑郁检测模型已展现出有前景的性能，但常因训练数据不平衡而受性别偏见影响。流行病学统计数据显示女性患抑郁症的患病率更高，导致模型学习到性别与抑郁之间的伪关联。因此，模型倾向于过度诊断女性患者，而在男性患者身上表现不佳，引发重大的公平性问题。为此，我们提出了一种基于因果推断的新型反事实去偏框架。我们构建因果图来建模决策过程，并将性别偏见识别为性别对预测结果的直接因果效应。在推断期间，我们运用反事实推断来估计并减去此直接效应，确保模型主要依赖于真实的声学病理特征。在两个先进的声学 backbone 上对 DAIC-WOZ 数据集进行大规模实验表明，我们的框架不仅显著降低了性别偏见，也在与现有去偏策略相比时提升了整体检测性能。
引用
@article{arxiv.2512.01834,
title = {Mitigating Gender Bias in Depression Detection via Counterfactual Inference},
author = {Mingxuan Hu and Hongbo Ma and Xinlan Wu and Ziqi Liu and Jiaqi Liu and Yangbin Chen},
journal= {arXiv preprint arXiv:2512.01834},
year = {2026}
}
备注
To be published in CSCWD 2026