분리된 증거 학습을 통한 신뢰성 있는 우울증 추론

Towards Trustworthy Depression Estimation via Disentangled Evidential Learning

자동 우울증 추론은 실제 환경에서 사용될 때 신호 왜곡 및 주변 잡음의 영향을 크게 받습니다. 기존의 결정론적 방법은 보정되지 않은 점 추정값을 제공하며, 이는 안전이 중요한 임상 시스템에 과도한 확신을 가진 오진의 심각한 위험을 초래합니다. 매우 강력하고 신뢰할 수 있는 평가 패러다임을 구축하기 위해, 우리는 EviDep라는 증거 학습 프레임워크를 제안합니다. EviDep는 정규-역감마 분포를 사용하여 우울증의 심각성뿐만 아니라 확률적 불확실성과 인식론적 불확실성을 동시에 정량화합니다. 다중 모드 증거 융합의 근본적인 취약점은 제어되지 않은 교차 모드 중복성의 누적입니다. 이러한 구조적 결함은 중복되는 증거를 이중으로 계산하여 인공적으로 진단 신뢰도를 높입니다. EviDep는 강력한 증거 통합을 보장하기 위해 엄격한 정보 무결성을 적용합니다. 첫째, 주파수 인지 특징 추출 모듈은 웨이블릿 기반의 Mixture-of-Experts를 활용하여 진단 신호의 충실도를 유지하면서 작업과 관련 없는 잡음을 동적으로 분리합니다. 둘째, 분리된 증거 학습 전략은 공유된 합의와 모드별 특이성 간의 구분을 수행합니다. EviDep는 베이지안 융합 전에 이러한 표현을 명시적으로 분리함으로써 체계적으로 증거 중복성을 완화합니다. AVEC 2013, 2014, DAIC-WOZ 및 E-DAIC에 대한 광범위한 실험 결과, EviDep는 최첨단 예측 정확도와 우수한 불확실성 보정을 달성하며, 신뢰할 수 있는 임상 선별을 위한 강력한 안전 장치를 제공하는 것으로 나타났습니다.

Automated depression estimation is highly vulnerable to signal corruption and ambient noise in real-world deployment. Prevailing deterministic methods produce uncalibrated point estimates, exposing safety-critical clinical systems to the severe risk of overconfident misdiagnoses. To establish a highly resilient and trustworthy assessment paradigm, we propose EviDep, an evidential learning framework that jointly quantifies depression severity alongside aleatoric and epistemic uncertainties via a Normal-Inverse-Gamma distribution. A fundamental vulnerability in multimodal evidential fusion is the uncontrolled accumulation of cross-modal redundancies. This structural flaw artificially inflates diagnostic confidence by double-counting overlapping evidence. To guarantee robust evidence synthesis, EviDep enforces strict information integrity. First, a Frequency-aware Feature Extraction module leverages a wavelet-based Mixture-of-Experts to dynamically isolate task-irrelevant noise, preserving the fidelity of diagnostic signals. Subsequently, a Disentangled Evidential Learning strategy separates the shared consensus from modality-specific nuances. By explicitly decoupling these representations before Bayesian fusion, EviDep systematically mitigates evidence redundancy. Extensive experiments on AVEC 2013, 2014, DAIC-WOZ, and E-DAIC confirm that EviDep achieves state-of-the-art predictive accuracy and superior uncertainty calibration, delivering a robust fail-safe mechanism for trustworthy clinical screening.