Краткое содержание

arXiv:2511.12460v1 Тип: новая статья Аннотация: Депрессия представляет собой глобальную проблему психического здоровья, требующую эффективных и надежных методов автоматизированного выявления. Современные методы мультимодального обнаружения депрессии на основе трансформеров или графовых нейронных сетей (GNN) сталкиваются со значительными трудностями в моделировании индивидуальных различий и кросс-модальных временных зависимостей в различных поведенческих контекстах. Поэтому мы предлагаем P$^3$HF (Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network) с тремя ключевыми инновациями: (1) обучение представлений на основе личностных характеристик с использованием LLM для преобразования дискретных индивидуальных признаков в контекстные описания для персонализированного кодирования; (2) архитектура Hypergraph-Former, моделирующая высокоуровневые кросс-модальные временные отношения; (3) развязывание доменов на уровне событий с контрастным обучением для улучшения обобщения across поведенческих контекстов. Эксперименты на наборе данных MPDD-Young показывают, что P$^3$HF достигает прироста точности примерно на 10%.