CAMO：面向危机分类的因果引导对抗性多模态域泛化
机器学习
2025-12-10 v1
摘要
社交媒体危机分类旨在从多模态帖子中提取可行动的灾害相关信息，这是提高情境意识并促进及时紧急响应的关键任务。然而，危机类型的广泛变异导致在未见灾害场景中实现可泛化性能持续面临挑战。现有方法主要利用深度学习融合文本和视觉线索进行危机分类，在域内设置下实现数值上可接受的结果。然而，这些方法在跨域移植时表现差，因为它们 1.未能解缪虚拟特征与因果特征，从而在域迁移后导致性能下降，以及 2.未能在共享空间中对齐异构模态的表征，这阻碍了将既有的单模态域泛化技术直接扩展到多模态学习场景。为此，我们引入一种因果引导的多模态域泛化 (MMDG) 框架，将对抗性解缪与统一表征学习结合用于危机分类。对抗目标鼓励模型解缪并关注域无关因果特征，从而基于稳定因果机制实现更具可泛化性的分类。统一表征将来自不同模态的特征在共享潜在空间中对齐，使单模态域泛化策略能够无缝扩展到多模态学习。在不同数据集上的实验表明，我们的方法在未见灾害场景中实现了最佳性能。
引用
@article{arxiv.2512.08071,
title = {CAMO: Causality-Guided Adversarial Multimodal Domain Generalization for Crisis Classification},
author = {Pingchuan Ma and Chengshuai Zhao and Bohan Jiang and Saketh Vishnubhatla and Ujun Jeong and Alimohammad Beigi and Adrienne Raglin and Huan Liu},
journal= {arXiv preprint arXiv:2512.08071},
year = {2025}
}