Disentangled Evidential Learning による信頼できる抑うつ推定のために

arXiv cs.LG / 2026/4/21

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、Normal-Inverse-Gamma 分布を用いて抑うつの重症度とアレアトリック／エピステミック不確実性の両方を定量化する、エビデンシャル学習フレームワーク EviDep を提案している。
決定論的な一点推定は、実運用での信号の破損や環境ノイズに対して過度に確信的になり得るため、臨床の安全性において危険だと論じている。
マルチモーダルなエビデンシャル融合における重要な失敗要因として、クロスモーダル冗長性の蓄積が制御されないことで、重複した証拠を二重計上し診断の確信度が不当に高まる問題を扱っている。
EviDep は、周波数に応じた特徴抽出（ウェーブレットベースの Mixture-of-Experts でタスクに不要なノイズを動的に分離）と、ベイズ融合の前に「共有の合意」と「モダリティ固有の情報」を分離する disentangled evidential learning により、この冗長性を体系的に抑制する。
AVEC 2013/2014、DAIC-WOZ、E-DAIC の実験では、予測精度が最先端であるとともに不確実性のキャリブレーションも優れており、安全な“フェイルセーフ”型の臨床スクリーニングを目指している。

概要: 自動うつ病推定は、実運用における信号の破損や周囲環境の雑音に対して非常に脆弱です。従来の決定論的手法では、較正されていない一点推定が生成され、安全性に直結する臨床システムが、過度に確信した誤診という深刻なリスクにさらされます。高度に回復力があり信頼できる評価パラダイムを確立するために、本論文ではEviDepを提案します。EviDepは、Normal-Inverse-Gamma分布により、うつ病の重症度とアレアトリック不確実性およびエピステミック不確実性を同時に定量化する、証拠に基づく学習の枠組みです。マルチモーダルな証拠融合における根本的な脆弱性は、クロスモーダル冗長性が制御されずに蓄積されてしまう点にあります。この構造的欠陥により、重複する証拠を二重に数えることで診断の確信度が不自然に高まります。頑健な証拠合成を保証するために、EviDepは厳格な情報整合性を強制します。まず、周波数を考慮した特徴抽出モジュールが、ウェーブレットベースのMixture-of-Expertsを利用して、タスクに無関係な雑音を動的に分離し、診断信号の忠実度を維持します。次に、識別可能な証拠学習戦略により、共有されるコンセンサスとモダリティ固有の微細な特徴を分離します。ベイズ融合の前にこれらの表現を明示的にデカップリングすることで、EviDepは体系的に証拠の冗長性を軽減します。AVEC 2013、2014、DAIC-WOZ、E-DAICに関する大規模な実験により、EviDepが最先端の予測精度と、より優れた不確実性の較正を達成し、信頼できる臨床スクリーニングのための頑健なフェイルセーフ機構を提供することが確認されています。