Detail publikace
Node-weighted Graph Convolutional Network for Depression Detection in Transcribed Clinical Interviews
depression detection, graph neural networks, node weighted graphs, limited training data, interpretability.
Navrhujeme jednoduchý přístup pro vážení samospojovacích hran v grafové konvoluční síti (GCN) a ukazujeme jeho dopad na detekci deprese z přepsaných klinických rozhovorů. Za tímto účelem používáme GCN pro modelování nesousledné a dálkové sémantiky ke klasifikaci transkripcí na depresivní nebo kontrolní subjekty. Navržená metoda si klade za cíl zmírnit omezující předpoklady lokality a stejné důležitosti vlastních spojení vs. hran k sousedním uzlům v GCN, při zachování atraktivních vlastností, jako jsou nízké výpočetní náklady, agnostika dat a možnosti interpretace. Provádíme vyčerpávající hodnocení ve dvou benchmarkových datových sadách. Výsledky ukazují, že náš přístup konzistentně překonává vanilkový GCN model i dříve uváděné výsledky a dosahuje F1=0,84 % na obou souborech dat. Konečně kvalitativní analýza ilustruje interpretovatelné schopnosti navrhovaného přístupu a jeho soulad s předchozími poznatky v psychologii.
@inproceedings{BUT187755,
author="BURDISSO, S. and VILLATORO-TELLO, E. and MADIKERI, S. and MOTLÍČEK, P.",
title="Node-weighted Graph Convolutional Network for Depression Detection in Transcribed Clinical Interviews",
booktitle="Proceedings of the Annual Conference of International Speech Communication Association, INTERSPEECH",
year="2023",
journal="Proceedings of Interspeech",
volume="2023",
number="8",
pages="3617--3621",
publisher="International Speech Communication Association",
address="Dublin",
doi="10.21437/Interspeech.2023-1923",
issn="1990-9772",
url="https://www.isca-archive.org/interspeech_2023/burdisso23_interspeech.pdf"
}