基于移动数据的多模态隐私保护情绪预测：一项初步研究
机器学习
2020-12-07 v1 计算机与社会
应用统计
摘要
即使在普遍享有先进医疗服务的国家，精神健康状况仍未被充分诊断。能够基于易于收集的数据准确高效地预测情绪，对精神健康障碍的早期检测与干预具有重要意义。日常智能手机使用是有助于监测人类行为的一个有前景的数据源。然而，必须注意在不通过个人（例如个人身份信息）或受保护属性（例如种族、性别）识别用户的前提下总结行为。在本文中，我们利用近期来自高风险青少年群体的移动行为数据集研究日常情绪的行为标记。借助计算模型，我们发现文本与应用使用特征的多模态建模相较于单一模态更能高度预测日常情绪。此外，我们评估了在保持日常情绪预测能力的同时可靠混淆用户身份的方法。通过将多模态表示与隐私保护学习相结合，我们相较于单模态方法推进了性能—隐私边界。
引用
@article{arxiv.2012.02359,
title = {Multimodal Privacy-preserving Mood Prediction from Mobile Data: A Preliminary Study},
author = {Terrance Liu and Paul Pu Liang and Michal Muszynski and Ryo Ishii and David Brent and Randy Auerbach and Nicholas Allen and Louis-Philippe Morency},
journal= {arXiv preprint arXiv:2012.02359},
year = {2020}
}