用于抑郁症检测的测试时训练
机器学习
2024-04-09 v1 声音
音频与语音处理
摘要
以往关于抑郁症检测的工作使用在相似环境中收集的数据集来训练和测试模型。然而在实践中，无法保证训练和测试分布是相同的。由于录制环境（如背景噪声）和人口统计学特征（如性别、年龄等）的变化，可能会引入分布偏移。令人惊讶的是，这种分布偏移可能导致抑郁症检测模型出现严重的性能下降。在本文中，我们分析了测试时训练 (TTT) 的应用，以提高为抑郁症检测训练的模型的鲁棒性。与模型的常规测试相比，我们发现 TTT 能够在各种分布偏移下显著提高模型的鲁棒性，这些分布偏移由以下因素引入：(a) 背景噪声，(b) 性别偏差，以及 (c) 数据收集和整理过程（即训练和测试样本来自不同的数据集）。
引用
@article{arxiv.2404.05071,
title = {Test-Time Training for Depression Detection},
author = {Sri Harsha Dumpala and Chandramouli Shama Sastry and Rudolf Uher and Sageev Oore},
journal= {arXiv preprint arXiv:2404.05071},
year = {2024}
}