うつ病を評価するための連合学習を用いたプライバシー高感度音声分析【JST・京大機械翻訳】

BN Suhas; Abdullah Saeed

プレプリント

J-GLOBAL ID：202202219846127573 整理番号：22P0341300

うつ病を評価するための連合学習を用いたプライバシー高感度音声分析【JST・京大機械翻訳】

Privacy Sensitive Speech Analysis Using Federated Learning to Assess Depression

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年04月29日プレプリントサーバーでの情報更新日： 2022年05月20日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

最近の研究では,うつ病を評価するために音声信号を用いた。しかし,音声特徴は重大なプライバシー懸念をもたらす。これらの懸念に対処するために,先行研究はプライバシー保護音声特徴を使用した。しかし,特徴の部分集合を用いることは,情報損失,従って,非最適モデル性能を導くことができる。さらに,先行研究は,プライバシーリスクを課す連続モデル更新をサポートする集中化アプローチに依存する。本論文では,分散,プライバシー保護音声解析を可能にするため,Feded Learning(FL)を用いて,鬱病を評価した。既存のデータセット(DAIC-WOZ)を用いて,著者らは,FLモデルが集中化アプローチと比較して,4~6%の精度損失で,鬱病のロバスト評価を可能にすることを示した。これらのモデルはまた,同じデータセットを用いた以前の研究よりも性能が優れていた。さらに,FLモデルは,エネルギー効率の良い間,短い推論待ち時間と小さなメモリフットプリントを持つ。従って,これらのモデルは,リアルタイム,連続,およびプライバシー保護のスケールにおける鬱病評価のモバイルデバイスに展開できる。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

データ保護 , 音声処理

, , , , ,

前のページに戻る