基于时间微调的早期风险检测
计算与语言
2025-05-19 v1
摘要
Web上的早期风险检测（ERD）旨在快速识别面临社交和健康问题的用户。用户逐帖分析，需保证正确且快速的答案，这在关键场景中尤为具有挑战性。ERD涉及优化分类精度和最小化检测延迟。标准分类指标可能不够，需诉诸ERDE(theta)等特定指标。当前研究侧重于应用多目标方法，优先考虑分类性能并设立独立的决策时间准则。本文提出一种完全不同的策略，即时间微调，允许在学习过程中显式地将时间纳入考虑。我们的方法使我们能够分析完整的用户帖子历史，考虑不同情境进行模型调优，并使用时间指标评估训练性能。我们在西班牙语的抑郁和饮食失调任务中评估了我们的方案，实现了与MentalRiskES 2023最佳模型相当的成绩。我们发现，时间微调在考虑情境和时间进展的同时优化决策。通过充分利用transformer的强大功能，可以将ERD通过组合精度和速度作为单一目标来实现。
关键词
引用
@article{arxiv.2505.11280,
title = {Temporal fine-tuning for early risk detection},
author = {Horacio Thompson and Esaú Villatoro-Tello and Manuel Montes-y-Gómez and Marcelo Errecalde},
journal= {arXiv preprint arXiv:2505.11280},
year = {2025}
}
备注
In: Proceedings of the 53rd JAIIO / 50th CLEI - ASAID, 2024, p. 137. ISSN: 2451-7496