Uncovering Latent Depression Severity for Binary Depression Detection via Advantage-weighting Ranking

📄 arXiv: 2607.05901v1 📥 PDF

作者: Manning Gao, Tingyi Liu, Leheng Zhang, Haifeng Hu, Yuncheng Jiang, Sijie Mai

分类: cs.AI

发布日期: 2026-07-07

💡 一句话要点

提出二元优势加权排序损失以解决抑郁检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 抑郁检测 多模态融合 优势加权 排序损失 音视频分析

📋 核心要点

  1. 现有方法在音视频数据的抑郁检测中难以有效分离特征分布，导致决策边界不够稳健。
  2. 本文提出了一种多模态框架，结合时间编码器和互助变换器，利用优势加权排序损失优化特征空间。
  3. 在D-vlog和LMVD数据集上的实验结果显示，模型通过优先处理困难样本，显著提升了检测性能。

📝 摘要（中文）

自动抑郁检测利用音视频数据面临显著挑战，尤其是在分离重叠特征分布和建立稳健决策边界方面。为此，本文提出了一种细粒度的多模态框架，采用时间编码器和互助变换器以促进深度跨模态融合。我们的核心贡献是二元优势加权排序损失，通过优势加权分离和优势加权紧凑性两个互补机制优化潜在空间分布。大量实验表明，我们的模型通过优先考虑困难样本重构潜在序数结构，从而实现了最先进的性能。

🔬 方法详解

问题定义：本文旨在解决音视频数据中抑郁检测的挑战，现有方法在特征分布重叠和决策边界建立上存在不足。

核心思路：提出的框架通过优势加权排序损失优化潜在空间分布，利用困难样本的优先处理来提升模型性能。

技术框架：整体架构包括时间编码器、互助变换器和二元优势加权排序损失，旨在实现深度跨模态融合。

关键创新：最重要的创新在于引入了二元优势加权排序损失，通过优势加权分离和紧凑性机制，优化了特征聚类效果。

关键设计：损失函数中动态加权困难样本，采用了基于对比矩阵的计算方式，确保特征在各自类别中心附近聚集。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在D-vlog和LMVD数据集上的实验结果表明，所提模型在抑郁检测任务中达到了最先进的性能，优于现有基线方法，提升幅度达到XX%（具体数据待补充）。

🎯 应用场景

该研究在心理健康领域具有广泛的应用潜力，尤其是在自动化抑郁症筛查和干预方面。通过提高抑郁检测的准确性，能够帮助医疗机构更有效地识别和支持有需要的患者，未来可能推动相关技术在临床实践中的应用。

📄 摘要（原文）

Automatic depression detection using audio-visual data faces significant challenges, particularly in disentangling overlapping feature distributions and establishing robust decision boundaries. To address this, we propose a fine-grained multimodal framework featuring a temporal encoder and a mutual transformer to facilitate deep cross-modal fusion. Our core contribution is the Binary Advantage-weighting Ranking Loss, which optimizes the latent space distribution through two complementary mechanisms: Advantage-weighted Separation, which mines hard pairs by computing a pairwise prediction difference matrix and dynamically weighting them based on their difficulty; and Advantage-weighted Compactness, which minimizes intra-class variance to force features to cluster around their respective class centers. Extensive experiments on D-vlog and LMVD demonstrate that our model reconstructs the latent ordinal structure by prioritizing hard pairs, thereby achieving state-of-the-art performance.