U-Fair：用于更公平抑郁症检测的基于不确定性的多模态多任务学习
机器学习
2025-03-25 v1
摘要
心理健康领域的机器学习偏见正成为一个日益相关的挑战。尽管有令人鼓舞的努力表明多任务方法通常优于单任务方法，但关于多任务学习对抑郁症检测的性能和公平性影响的研究极少，也未能利用其实现更公平的预测结果。在本工作中，我们系统地研究了使用多任务方法来提升抑郁症检测的性能和公平性。我们提出了一种基于不确定性的新型性别任务重加权方法，该方法基于 PHQ-8 问卷的结构。我们的结果表明，尽管与单任务方法相比，多任务方法提升了性能和公平性，但结果并不总是稳定，我们观察到了负迁移和 Pareto 前沿缩减的证据，考虑到高风险的医疗环境，这令人担忧。我们提出的基于不确定性的性别重加权方法提升了性能和公平性，并在一定程度上缓解了这两个挑战。我们对每个 PHQ-8 子项任务难度的发现，也与针对 PHQ-8 子项区分度能力进行的最大规模研究相一致，从而提供了将机器学习发现与针对 PHQ-8 进行的大规模实证人群研究联系起来的首个切实证据。
引用
@article{arxiv.2501.09687,
title = {U-Fair: Uncertainty-based Multimodal Multitask Learning for Fairer Depression Detection},
author = {Jiaee Cheong and Aditya Bangar and Sinan Kalkan and Hatice Gunes},
journal= {arXiv preprint arXiv:2501.09687},
year = {2025}
}
备注
To appear at the Proceedings of Machine Learning Research 259, 1-14, 2024 as part of the Machine Learning for Health (ML4H) Symposium 2024