대화형 상호작용으로부터의 자동화된 우울증 감지는 확장 가능한 선별 검사에 큰 잠재력을 지니고 있으나, 심각한 데이터 부족과 임상적 해석 가능성 부재로 인해 여전히 제한을 받고 있습니다. 기존 접근법들은 일반적으로 블랙박스 딥러닝 아키텍처에 의존하여 우울증 증상의 미세한 시간적 진화나 참여자 특이적 이질성을 모델링하는 데 어려움을 겪습니다. 본 연구에서는 대화 세션을 동적 시간 그래프로 모델링하는 심리학적 기반 프레임워크인 PsyGAT(Psychological Graph Attention Network)을 제안합니다. 우리는 발화 수준의 임상 증거를 명시적으로 인코딩하기 위해 Psychological Expression Units(PEUs)을 도입하여, 단순한 의미론적 의존성이 아닌 심리 상태의 전환을 포착할 수 있도록 세션 그래프를 구조화합니다. 우울증 데이터셋 내의 중요한 클래스 불균형 문제를 해결하기 위해 임상 승인된 페르소나 기반 데이터 증강(persona-based data augmentation)을 적용하여 견고한 모델 학습을 가능하게 합니다. 또한, 특성 기반 행동과 급성 우울증 증상을 분리하기 위해 세션 수준의 성격 컨텍스트를 그래프 구조에 직접 통합합니다. PsyGAT는 강력한 그래프 기반 베이스라인과 GPT-5와 같은 폐쇄형 소스 LLM들을 모두 능가하는 최첨단 성능을 달성하며, DAIC-WoZ 및 E-DAIC 데이터셋에서 각각 89.99 와 71.37 의 Macro F1 점수를 기록했습니다. 우리는 또한 증상 유발 요인을 식별하는 해석 가능성 모듈인 Causal-PsyGAT를 추가로 도입합니다. 실험 결과, 원인 지표 식별을 위한 MRR(Mean Reciprocal Rank)이 20% 개선되어 우울증 모니터링과 임상적 설명 가능성 사이의 간극을 효과적으로 연결했습니다. 전체 증강된 데이터셋은 https://doi.org/10.6084/m9.figshare.31801921 에서 공개 가능합니다.