WPG-MoE：用于用户级社交媒体抑郁症检测的弱先验引导密集专家混合

在线社交媒体帖子为早期抑郁症筛查提供了可扩展的信号，最近的研究主要通过风险帖子选择、症状证据依据和临床知情特征构建来改善预分类证据。然而，这些筛选阶段的设计通常将最终决定留给单个检测器，而忽略了用户在筛选后如何异质地表达抑郁风险。单一分类器必须对异构用户进行平均，这可能会淡化局部证据并导致错误分类，特别是对于非自我披露的用户。为了解决这个问题，我们提出了 WPG-MoE，一种弱先验引导的密集专家混合框架，构建在共享 大语言模型 (LLM) 主干上。 WPG-MoE 派生用户级弱语义先验，将用户软路由到与不同证据布局匹配的专家。我们将此过程表述为使用特权信息（LUPI）进行学习：丰富的 LLM 提取的结构化证据指导训练时间路由，而推理仅保留患者健康问卷 9 (PHQ-9) 模板筛选和可部署主干。在中文和英文数据集上的实验表明，WPG-MoE 的性能优于具有可解释路由行为的强基线。