MERID：通过递归自我改进智能体进行重性抑郁分析的多模态探索

arXiv:2609.36235v2 公告类型：replace-cross 摘要：重性抑郁障碍（MDD）严重影响日常活动和生活质量。MDD 的检测涉及多模态数据，例如访谈录音和传感器测量数据。这一任务尤其具有挑战性，因为这些异构模态通常需要各自不同且定制化的预测流程。为应对这一挑战，现有研究探索了人工设计的多模态架构和智能体辅助的流程开发。尽管取得了进展，但如何根据实验反馈自主修订流程，并将经过验证的改进延续到后续设计中，仍然十分困难。为此，我们提出了通过递归自我改进智能体进行重性抑郁分析的多模态探索方法（MERID）。该框架通过基于经验的递归自我改进（RSI）来开发抑郁分析流程。基础状态构建（GSC）通过将多模态记录与受试者层面的抑郁目标对齐，为经验提供依据。耦合流程探索（CPE）联合修改表征、融合方式和预测器，从而为分类和严重程度估计构建后继流程。证据引导演化（EGE）通过反馈指导修订，并在继承改进之前，在规模较小的抑郁症队列中验证不确定性条件下的性能提升。在抑郁症基准数据集上的大量实验表明，与多模态和基于智能体的基线方法相比，MERID 在多项任务上取得了最佳结果。进一步分析凸显了声学和语言线索对于抑郁检测的价值。我们的代码已发布于 https://github.com/DiscoAILab/MERID