Core Concepts
ソーシャルメディアテキストからの疾病検出を向上させるために、自己増強とコントラスティブ学習を統合した新しい手法を提案する。
Abstract
本論文では、ソーシャルメディアテキストからの疾病検出を改善するための新しい手法を提案している。
提案手法は主に3つのコンポーネントから構成される:
標準的な設定のトランスフォーマーモデル
自己増強を行うトランスフォーマーモデル
コントラスティブ損失を用いた表現学習
自己増強では、モデルの中間表現を自身の表現で増強することで、adversarialな例を生成する。これにより、モデルの識別性能が向上する。
さらに、コントラスティブ損失を導入することで、元のテキストとその増強版の表現を近づけ、他のサンプルとは離れるように学習する。
提案手法は3つのベンチマークデータセットで評価され、従来手法と比較して優れた性能を示している。特に、最新の手法と比べて最大2.48%のF1スコア向上を達成している。
また、層の組み合わせや損失関数のパラメータなどの分析を通して、提案手法の有効性を示している。
Stats
英国では2021年8月時点で160万人がメンタルヘルスサポートの待機リストにいる。
世界的に年間70万人以上が自殺している。
うつ病は世界で約2.8億人が罹患している。
Quotes
"うつ病は世界で約2.8億人が罹患している。"
"英国では2021年8月時点で160万人がメンタルヘルスサポートの待機リストにいる。"
"世界的に年間70万人以上が自殺している。"