通过双因果干预消除多模态人格理解中的偏差
人工智能
2026-05-08 v1
摘要
多模态人格理解在以人类为中心的人工智能中发挥着关键作用。以往的工作主要侧重于学习视频人格的丰富多模态表征。然而，这些方法常常会受到主观偏差（例如可观察的年龄和不可观察的心理状态）造成的潜在伤害，因为受试者来自不同的人口统计背景。学习多模态特征与特征之间的虚假关联可能导致不公平的人格理解。在本工作中，我们构建了一个结构因果模型（SCM）来从因果角度分析这些偏差的影响，并提出一种新的双因果调整网络（DCAN）来缓解主观属性对人格理解的干扰。具体而言，我们设计了一个背门调整因果学习（BACL）模块，通过基于原型的混杂变量词典来阻断可观察人口统计因素引起的虚假关联；随后应用前门调整因果学习（FACL）模块，通过学习到的中介词典干预来处理潜在且不可观察的偏差，从而实现表征的因果解耦，以实现去混杂推理。重要的是，我们构建了一个带人口统计标注的多模态学生人格数据集（DMSP），以支持公平性相关因素的分析与讨论。在基准数据集 CFI-V2 和我们的数据集 DMSP 上进行的大量实验表明，DCAN 在预测准确率上 consistently 提升，分别达到 92.11% 和 92.90%。同时，在 CFI-V2 上，公平性指标（平等机会和人口统计公平性）的改进分别为 6.57% 和 7.97%；在 DMSP 数据集上，分别为 15.38% 和 20.06%。我们的代码和 DMSP 数据集已提供于 https://github.com/Sabrina-han/DCAN
引用
@article{arxiv.2605.06371,
title = {Debiased Multimodal Personality Understanding through Dual Causal Intervention},
author = {Yangfu Zhu and Zitong Han and Nianwen Ning and Yuting Wei and Yuandong Wang and Hang Feng and Zhenzhou Shao},
journal= {arXiv preprint arXiv:2605.06371},
year = {2026}
}