Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Node-weighted Graph Convolutional Network for Depression Detection in Transcribed Clinical Interviews

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F23%3APU150720" target="_blank" >RIV/00216305:26230/23:PU150720 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.isca-archive.org/interspeech_2023/burdisso23_interspeech.pdf" target="_blank" >https://www.isca-archive.org/interspeech_2023/burdisso23_interspeech.pdf</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.21437/Interspeech.2023-1923" target="_blank" >10.21437/Interspeech.2023-1923</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Node-weighted Graph Convolutional Network for Depression Detection in Transcribed Clinical Interviews

  • Popis výsledku v původním jazyce

    We propose a simple approach for weighting self- connecting edges in a Graph Convolutional Network (GCN) and show its impact on depression detection from transcribed clinical interviews. To this end, we use a GCN for model- ing non-consecutive and long-distance semantics to classify the transcriptions into depressed or control subjects. The proposed method aims to mitigate the limiting assumptions of locality and the equal importance of self-connections vs. edges to neighbor- ing nodes in GCNs, while preserving attractive features such as low computational cost, data agnostic, and interpretability capa- bilities. We perform an exhaustive evaluation in two benchmark datasets. Results show that our approach consistently outper- forms the vanilla GCN model as well as previously reported re- sults, achieving an F1=0.84% on both datasets. Finally, a qual- itative analysis illustrates the interpretability capabilities of the proposed approach and its alignment with previous findings in psychology.

  • Název v anglickém jazyce

    Node-weighted Graph Convolutional Network for Depression Detection in Transcribed Clinical Interviews

  • Popis výsledku anglicky

    We propose a simple approach for weighting self- connecting edges in a Graph Convolutional Network (GCN) and show its impact on depression detection from transcribed clinical interviews. To this end, we use a GCN for model- ing non-consecutive and long-distance semantics to classify the transcriptions into depressed or control subjects. The proposed method aims to mitigate the limiting assumptions of locality and the equal importance of self-connections vs. edges to neighbor- ing nodes in GCNs, while preserving attractive features such as low computational cost, data agnostic, and interpretability capa- bilities. We perform an exhaustive evaluation in two benchmark datasets. Results show that our approach consistently outper- forms the vanilla GCN model as well as previously reported re- sults, achieving an F1=0.84% on both datasets. Finally, a qual- itative analysis illustrates the interpretability capabilities of the proposed approach and its alignment with previous findings in psychology.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the Annual Conference of International Speech Communication Association, INTERSPEECH

  • ISBN

  • ISSN

    1990-9772

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    3617-3621

  • Název nakladatele

    International Speech Communication Association

  • Místo vydání

    Dublin

  • Místo konání akce

    Dublin

  • Datum konání akce

    20. 8. 2023

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku