Node-weighted Graph Convolutional Network for Depression Detection in Transcribed Clinical Interviews

要約

グラフ畳み込みネットワーク (GCN) で自己接続エッジを重み付けするための簡単なアプローチを提案し、転写された臨床面接からのうつ病検出へのその影響を示します。
この目的を達成するために、GCN を使用して非連続的で長距離のセマンティクスをモデル化し、転写をうつ病被験者または対照被験者に分類します。
提案された方法は、低い計算コスト、データに依存しない、解釈可能機能などの魅力的な機能を維持しながら、局所性の制限的な仮定と、GCN 内の隣接ノードへの自己接続とエッジの重要性の同等性を緩和することを目的としています。
2 つのベンチマーク データセットで徹底的な評価を実行します。
結果は、私たちのアプローチがバニラ GCN モデルおよび以前に報告された結果を常に上回っており、両方のデータセットで F1=0.84% を達成していることを示しています。
最後に、定性分析により、提案されたアプローチの解釈可能性と、心理学のこれまでの知見との整合性が示されます。

要約(オリジナル)

We propose a simple approach for weighting self-connecting edges in a Graph Convolutional Network (GCN) and show its impact on depression detection from transcribed clinical interviews. To this end, we use a GCN for modeling non-consecutive and long-distance semantics to classify the transcriptions into depressed or control subjects. The proposed method aims to mitigate the limiting assumptions of locality and the equal importance of self-connections vs. edges to neighboring nodes in GCNs, while preserving attractive features such as low computational cost, data agnostic, and interpretability capabilities. We perform an exhaustive evaluation in two benchmark datasets. Results show that our approach consistently outperforms the vanilla GCN model as well as previously reported results, achieving an F1=0.84% on both datasets. Finally, a qualitative analysis illustrates the interpretability capabilities of the proposed approach and its alignment with previous findings in psychology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google