使用联邦学习进行隐私敏感语音分析以评估抑郁
人机交互
2022-05-23 v2
摘要
近期研究已利用语音信号评估抑郁。然而，语音特征可能引发严重的隐私问题。为解决这些问题，已有工作使用了隐私保护语音特征。但使用特征子集会导致信息损失，进而造成模型性能非最优。此外，已有工作依赖集中式方法以支持模型持续更新，带来隐私风险。本文提出使用联邦学习（FL）实现去中心化、隐私保护的语音分析以评估抑郁。利用现有数据集（DAIC-WOZ），我们表明FL模型相较集中式方法仅有4--6%的精度损失，即可实现鲁棒的抑郁评估。这些模型也优于使用同一数据集的已有工作。此外，FL模型具有较短的推理延迟与较小的内存占用，同时节能。因此，这些模型可部署于移动设备，实现大规模实时、持续且隐私保护的抑郁评估。
引用
@article{arxiv.2205.00111,
title = {Privacy Sensitive Speech Analysis Using Federated Learning to Assess Depression},
author = {Suhas BN and Saeed Abdullah},
journal= {arXiv preprint arXiv:2205.00111},
year = {2022}
}
备注
5 pages, 4 figures. Published in IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2022)