小队列健康预测新突破：LLM引导概念集成，F1最高0.765还自带可解释性！
Explainable Prediction from Mobile Sensing Data through LLM-guided Concept Integration
📖 AI 总结
本文提出一种概念集成Transformer（CIT）方法，利用预训练大语言模型生成基线感知的概念异常目标及置信权重，无需人工标注概念，即可从移动感知数据中实现可解释预测。该方法针对小样本健康感知研究中任务监督信号有限、数据异质性强的难题，在AFFECT数据集上取得最高F1分数0.756，在PHQ-9数据集上以0.765并列最高。学习到的概念分数还揭示了可解释的行为与生理模式，例如在AFFECT中，睡眠时长与质量在高、低负面情绪组间差异最为明显。研究结果表明，LLM引导的概念集成能够在小队列移动感知研究中兼顾预测准确性与可解释性。
🔑 关键词速览
| Concept-Integrated Transformer (CIT) | 一种将概念监督集成到Transformer架构中的模型，用于从移动传感数据进行可解释预测。 |
| LLM-guided concept supervision | 利用预训练大语言模型生成概念异常目标及置信权重，无需人工标注的概念监督方法。 |
| Mobile sensing | 通过智能手机、可穿戴设备等移动设备收集行为与生理数据的纵向监测技术。 |
| Small-cohort health-sensing studies | 参与者数量较少、任务特定结果监督有限的健康传感研究。 |
| AFFECT | 一个用于情感或情绪相关预测任务的纵向移动传感数据集。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅