作为当下最流行的心理疾病之一,抑郁症不但会导致人的精神状态变得糟糕,还会削弱个人在工作生活中的效率,甚至诱发自杀行为。为了提高抑郁症的诊疗效率,开发抑郁症自动检测算法已成为情感计算研究的热点。然而,以往的方法往往忽略了访谈文本的对话结构organelle biogenesis特性以selleck HPLC及与其他模态的兼容性,且这些数据对应的抑郁症标签往往都是不平衡的,这些问题限制了抑郁症自动检测算法的有效性。为此,本文从以下角度改善了算法的泛化性能:一、利用变分推理和重新加权策略,提出了一种针对抑郁症检测中上下文不一致问题和不平衡回归问题的联合解决思路,并通过引入抑郁症症状标签在二者之间建立联系。具体来说,本文提出了一种被称为条件变分主题增益自编码器的抑郁症检测模型,通过变分推理从局部主题信息中捕获空间特征,并利用注意力机制从全局上下文信息中捕获时间特征,同时使用主题信息对局部和全局信息进行增益,从而得到表征能力更强的时空特征,并以此解决上下文建模不一致问题。此外,本文应用重新加权策略为不同的抑郁症标签的训练损失重新分配权重,以此抑制模型对常见标签样本的过拟合训练,并利用抑郁症症状标签和抑郁症标签之间的线性关系,学习和预测抑郁症标签中的缺失值,以此解决标签不平衡回归问题。二、引入多模态因式分解来同时学习视觉和文本模态之间的相互关系,并探讨潜在的多模态融合方式。更具体地说,通过融合了多任务学习和变分推理,本文提出了一种基于视觉和文本输入的因式分解自编码器架构用于抑郁症检测,让文本模态与视觉模态中的抑郁症线索进行互补学习。首先,本文使用主干网络分别提取视觉特征和文本特征。同时,本文引入记忆融合网络来获得跨模态特征,来初步学习模态之间的互补信息。其次,本文采用多模态因式分解来建立单模态和多模态隐变量空间之间的联系,这对于消除跨模态的冗余信息至关重要。本文针对抑郁症访谈文本中的对话内容数据,在中文和英文数据库上分别设计了对比实验selleck Dibutyryl-cAMP,来证明算法的有效性和鲁棒性。