面向未见灾难事件的因果视角
计算与语言
2025-11-14 v1 机器学习
摘要
由于社交媒体平台的快速增长，这些工具已成为监控进行中灾难事件信息的essential工具。然而，提取有价值的见解需要对海量数据进行实时处理。现有系统的一个主要挑战是暴露于与事件相关的偏差中，这会严重影响其对新兴事件的泛化能力。虽然近期在消除偏差和因果学习方面取得了进展，但在灾难事件领域仍属探索阶段。本文通过因果视角来处理偏差缓解，提出一种方法以减少事件和领域相关的偏差，增强对未来事件的泛化能力。我们的方法在多个基准上 outperform了最多+1.9% F1分数，并显著改进了基于预训练语言模型(PLM)的分类器在三个灾难分类任务中的性能。
引用
@article{arxiv.2511.10120,
title = {Generalizing to Unseen Disaster Events: A Causal View},
author = {Philipp Seeberger and Steffen Freisinger and Tobias Bocklet and Korbinian Riedhammer},
journal= {arXiv preprint arXiv:2511.10120},
year = {2025}
}
备注
Accepted to Findings of AACL 2025