Estratégias de Agregação Temporal com Consciência do Falante em Representações de Segmentos para Detecção de Depressão em Interação Diádica: Um Estudo de Benchmark

Resumo

A detecção de depressão baseada em fala comprime características de segmentos curtos de áudio em uma decisão no nível do falante, uma etapa chamada de agregação temporal raramente estudada por si só. A maioria dos benchmarks fixa um único codificador auto-supervisionado e uma única camada selecionada manualmente, de modo que um ganho relatado pode refletir o pipeline, e não o método de agregação em si. Apresentamos o DEPOOL, um benchmark controlado que compara seis arquiteturas de agregação com seis backbones de fala congelados em um corpus de depressão em inglês e um em mandarim, onde cada configuração aprende quais camadas do backbone são relevantes, em vez de fixar uma manualmente. Em toda a grade resultante de 72 configurações, um terço das configurações colapsa em prever uma única classe para cada falante, uma falha ligada tanto ao backbone quanto ao método, e a arquitetura que é mais estável em uma execução com uma única semente torna-se não confiável quando o treinamento se repete entre sementes. A robustez em relação ao backbone e à semente, e não a acurácia média em um único pipeline, deve ser um critério de primeira linha para benchmarking da agregação temporal em fala clínica.

English

Speech-based depression detection compresses features from short audio segments into one speaker-level decision, a step called temporal aggregation rarely studied on its own. Most benchmarks fix a single self-supervised encoder and a single hand-picked layer, so a reported gain may reflect the pipeline rather than the aggregation method itself. We introduce DEPOOL, a controlled benchmark that compares six aggregation architectures with six frozen speech backbones on an English and a Mandarin depression corpus, where each configuration learns which backbone layers matter rather than fixing one by hand. Across the resulting 72-configuration grid, a third of configurations collapse into predicting a single class for every speaker, a failure tied to the backbone as much as to the method, and the architecture that is most stable in a single-seed run becomes unreliable when training repeats across seeds. Robustness to backbone and seed, rather than average accuracy across a single pipeline, should be a first-class benchmarking criterion for temporal aggregation in clinical speech.