论文InertiaMPDD 框架
InertiaMPDD
一种受世界模型启发的多模态抑郁症检测框架,通过潜在预测器学习健康情感状态的动态规律,并构造参考偏离度、残差衰减率和雅可比谱三类描述子来量化情感动态偏离。
时间轴 (近 90 天)
11月13日
InertiaMPDD 是一个以情感惯性为动机、使用受世界模型启发的潜在预测器来学习健康状态下一个状态模式的多模态抑郁症检测框架。
待验证50%
11月13日
InertiaMPDD 的核心是一个受世界模型启发的潜在预测器,它利用预训练的多模态表征预测下一个状态,并以健康状态模式作为学习目标。
待验证50%
11月13日
论文在来自四个数据集的五个队列上进行了评估。
待验证50%
11月13日
多模态融合在 D-Vlog 数据集上达到 98.41% F1。
待验证50%
11月13日
在 MPDD 数据集上,独立描述子优于固定的加性融合。
待验证50%
11月13日
在 AVEC2014 数据集上,描述子的判别能力较弱。
待验证50%
11月13日
论文的局限包括描述子在 AVEC2014 上判别较弱、泛化依赖数据与场景,以及录制级监督下细粒度动态缺乏标注。
待验证50%
全部知识事实 (7)
待验证
InertiaMPDD 是一个以情感惯性为动机、使用受世界模型启发的潜在预测器来学习健康状态下一个状态模式的多模态抑郁症检测框架。
50%待验证InertiaMPDD 的核心是一个受世界模型启发的潜在预测器,它利用预训练的多模态表征预测下一个状态,并以健康状态模式作为学习目标。
50%待验证论文在来自四个数据集的五个队列上进行了评估。
50%待验证多模态融合在 D-Vlog 数据集上达到 98.41% F1。
50%待验证在 MPDD 数据集上,独立描述子优于固定的加性融合。
50%待验证在 AVEC2014 数据集上,描述子的判别能力较弱。
50%待验证论文的局限包括描述子在 AVEC2014 上判别较弱、泛化依赖数据与场景,以及录制级监督下细粒度动态缺乏标注。
50%