Rare Life Event Detection via Mobile Sensing Using Multi-Task Learning

要約

まれなライフイベントは精神的健康に重大な影響を与えるため、行動研究でそれらを検出することは、健康に基づいた介入に向けた重要なステップとなります。
私たちは、モバイルセンシングデータを使用してこれらの異常を検出できることを想定しています。
ただし、この問題の人間中心の性質は、これらのイベントの頻度の低さと特殊性と相まって、教師なし機械学習手法にとって困難なものとなっています。
本稿では、まずセンシングデータを用いてライフイベントと人間の行動との間のグレンジャー因果関係を調査する。
次に、不規則な行動を捕捉する教師なしオートエンコーダーと、職場のパフォーマンスの変化を識別してイベントを文脈化する補助シーケンス予測子を備えたマルチタスク フレームワークを提案します。
複数の業界の N=126 人のインフォメーション ワーカーで構成されたモバイル センシング調査のデータを使用して実験を行い、期間は 10,106 日で、198 件のまれなイベント (<2%) が発生しました。 パーソナライズされた推論を通じて、F1 が 0.34 のまれなイベントの正確な日を検出し、私たちの方法がいくつかのベースラインを上回るパフォーマンスを示しています。 最後に、実際の展開のコンテキストから私たちの仕事の意味について説明します。

要約(オリジナル)

Rare life events significantly impact mental health, and their detection in behavioral studies is a crucial step towards health-based interventions. We envision that mobile sensing data can be used to detect these anomalies. However, the human-centered nature of the problem, combined with the infrequency and uniqueness of these events makes it challenging for unsupervised machine learning methods. In this paper, we first investigate granger-causality between life events and human behavior using sensing data. Next, we propose a multi-task framework with an unsupervised autoencoder to capture irregular behavior, and an auxiliary sequence predictor that identifies transitions in workplace performance to contextualize events. We perform experiments using data from a mobile sensing study comprising N=126 information workers from multiple industries, spanning 10106 days with 198 rare events (<2%). Through personalized inference, we detect the exact day of a rare event with an F1 of 0.34, demonstrating that our method outperforms several baselines. Finally, we discuss the implications of our work from the context of real-world deployment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google