基于人格引导的多模态抑郁检测的公私域解缝分离超图-Former网络
机器学习
2025-11-18 v1 人工智能
摘要
抑郁是一项全球性的精神健康挑战，亟需高效可靠的自动化检测方法。当前基于Transformer或图神经网络（GNN）的多模态抑郁检测方法在建模个体差异和跨模态时间依赖性方面面临重大挑战。因此，我们提出PHF（Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network），具有三个关键创新：(1)利用大语言模型（LLM）进行人格引导的表征学习，将离散的个体特征转化为情境化描述以实现个人化编码；(2)采用超图-Former架构建模高阶跨模态时间关系；(3)通过对比学习实现事件级别的域解缝分离，以提高在不同行为情境下的泛化能力。实验表明，PHF在MPDD-Young数据集上实现了在二分类和三分类抑郁检测任务中准确率和加权F1分数均提升约10%。广泛的消融研究验证了每个架构组件的独立贡献，确认人格引导的表征学习和高阶超图推理对生成稳健、个体感知的与抑郁相关表征至关重要。代码已发布于https://github.com/hacilab/P3HF。
引用
@article{arxiv.2511.12460,
title = {Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network for Multimodal Depression Detection},
author = {Changzeng Fu and Shiwen Zhao and Yunze Zhang and Zhongquan Jian and Shiqi Zhao and Chaoran Liu},
journal= {arXiv preprint arXiv:2511.12460},
year = {2025}
}
备注
AAAI 2026 accepted