论文
MERID：通过递归自我改进剂进行重度抑郁症分析的多模态探索
MERID: Multimodal Exploration via Recursive Self-Improvement Agents for Major Depression Analysis
摘要
重度抑郁症（MDD）严重影响日常活动和生活质量。检测 MDD 涉及多模态数据，例如访谈录音和传感器测量。这是特别具有挑战性的，因为这些异构模式通常需要不同的、定制的预测管道。应对这一挑战的现有努力已经探索了手动设计的多模态架构和Agent辅助的管道开发。尽管取得了进展，但根据实验反馈自主修改流程并将经过验证的改进推进到后续设计中仍然具有挑战性。为此，我们提出通过递归自我改进Agent进行重度抑郁分析的多模态探索（MERID）。该框架通过基于经验的递归自我改进（RSI）开发抑郁症管道。grounding状态构建 (GSC) 通过将多模态记录与主题级抑郁症目标相结合来grounding经验。耦合管道探索 (CPE) 联合修改表示、融合和预测器，以构建用于分类和严重性估计的后续管道。证据引导进化（EGE）通过反馈指导修正，并验证遗传前小型抑郁症群体在不确定性下的收益。对抑郁症基准的大量实验表明，与多模态和基于Agent的基准相比，MERID 在多项任务上取得了最佳结果。进一步的分析强调了声音和语言线索对于抑郁症检测的价值。我们的代码可在 https://github.com/DiscoAILab/MERID 获取