摘要
自动化抑郁症检测利用音视频数据面临重大挑战，尤其是在解开重叠特征分布和建立稳健决策边界方面。为此，我们提出了一种细粒度的多模态框架，结合了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名损失，它通过两种互补机制优化潜在空间分布：
- 优势加权分离：通过计算成对预测差异矩阵挖掘困难样本对，并根据其难度动态加权。
- 优势加权紧凑性：最小化类内方差，强制特征聚集在各自类中心附近。
在 D-vlog 和 LMVD 数据集上的大量实验表明，我们的模型通过优先考虑困难样本对重建潜在序数结构，从而实现了最先进的性能。
博主点评： 本文提出的框架有效解决了抑郁症检测中的特征重叠问题，利用多模态数据的优势，展现了深度学习在心理健康领域的潜力。这种精细化的方法不仅提升了检测精度，更为未来的研究提供了新的思路。