[論文レビュー] Detecting dementia in Mandarin Chinese using transfer learning from a parallel corpus

Li Bai, Yi‐Te Hsu+1 more|arXiv (Cornell University)|Mar 3, 2019

Natural Language Processing Techniques参考文献 17被引用数 10

ひとこと要約

本論文は、映画対訳対話コーパスを用いて、中国語の語彙文法的特徴を英語に変換する転移学習手法を提案する。この手法により、中国語のラベル付き臨床データが不要な状態でアルツハイマー病のスクリーニングが可能となる。本手法は、独語的および機械翻訳ベースラインを上回り、LuコーパスにおいてSpearmanのrho = 0.549を達成した。これは、認知機能低下検出における言語間特徴転送の初の成功例である。

ABSTRACT

Machine learning has shown promise for automatic detection of Alzheimer's disease (AD) through speech; however, efforts are hampered by a scarcity of data, especially in languages other than English. We propose a method to learn a correspondence between independently engineered lexicosyntactic features in two languages, using a large parallel corpus of out-of-domain movie dialogue data. We apply it to dementia detection in Mandarin Chinese, and demonstrate that our method outperforms both unilingual and machine translation-based baselines. This appears to be the first study that transfers feature domains in detecting cognitive decline.

研究の動機と目的

• 英語以外の言語、特に中国語において、ラベル付き臨床データが極めて乏しい状況を解決すること。
• 臨床データが中国語でない限り、中国語のアルツハイマー病検出を可能にすること。
• 文法的・語彙的構造の違い（例えば文法や語彙形態論的差異）を克服し、中国語と英語の語彙文法的特徴の対応関係を学習すること。
• 中国語の音声データにラベルが一切不要な手法を構築し、限られた臨床データセットへの依存を減らすこと。
• 特にリソースが乏しい環境下において、認知機能低下検出のための言語間特徴転送の有効性を評価すること。

提案手法

• 本手法は、330万件のバイリンガル映画対訳対話コーパス（OpenSubtitles2016）を用い、中国語と英語の語彙文法的特徴間のマッピングを学習する。
• 語彙文法的特徴（タイプ・トークン比、文長、品詞割合など）は、オープンソースのパイプラインを用いて中国語および英語別に抽出する。
• 低ランク回帰（RRR）と共同特徴選択（JFS）を用いて、安定性を向上させる線形対応モデルを訓練し、中国語特徴を同等の英語特徴にマッピングする。
• マッピングされた特徴は、DementiaBankデータセットで訓練されたアルツハイマー病分類器に供給され、中国語発話における認知機能低下の重症度を予測する。
• スムージングのない発話および命名タスクから得られる真値スコアと予測スコアとの間のSpearman順位相関を用いて、モデルの評価を行う。
• JFSによる特徴選択により、最も予測力の高い13の特徴が特定され、低品質なマッピングに起因するノイズを低減することで性能が向上した。

実験結果

リサーチクエスチョン

• RQ1 非臨床的並列データを用いて訓練された対応モデルは、中国語から英語への語彙文法的特徴の転送を、アルツハイマー病検出の文脈で効果的に実現できるか？
• RQ2 リソースが乏しい環境下において、言語間特徴転送は直接的な機械翻訳や独語的ベースラインを上回る性能を示すか？
• RQ3 非臨床的コーパスからの並列サンプルは、アルツハイマー病予測のための効果的特徴転送を達成するために、どの程度必要か？
• RQ4 特徴選択は、言語間の不完全なマッピングに起因するノイズを軽減する役割を果たすか？
• RQ5 絶対値特徴（例：NP→PN生成回数）は、比ベースの特徴を上回る性能を示すか？

主な発見

• 提案手法は、LuコーパスにおいてSpearmanのrho = 0.549を達成し、Google Translateベースライン（rho = 0.366）および独語的ベースライン（rho = 0.385）を顕著に上回った。
• 共同特徴選択（JFS）は性能向上に不可欠であり、全特徴またはRRR単体を用いたモデルは、低品質なマッピングに起因するノイズの影響を受けて性能が劣った。
• OpenSubtitlesからわずか1,000～2,000件の並列サンプルで、50,000件の全サンプルモデルと同等の性能が達成された。これは、データ効率性の高さを示している。
• 中国語特徴に比ではなく絶対値（例：NP→PN生成回数）を用いることで、正規化に起因する非線形性が低減され、モデル性能が向上した。
• 本手法は、中国語のラベル付き臨床データを一切必要とせず、アルツハイマー病検出分野で最先端の結果を達成した。
• アブレーションスタディにより、選択された特徴が多すぎたり少なすぎたりすると性能が低下することが確認され、K=13が情報量とノイズのバランスを最適化する点として最適であった。