学习表征与协同不变性：面向通用多模态人脸防欺诈的可证明框架

多模态人脸防欺诈（FAS）方法通过集成多种视觉模态，常在部署于未见域时 suffer 更严重的性能衰减。这主要源于两个被忽视的风险影响跨域多模态泛化。第一是模态表征不变风险，即在域迁移下表征是否保持可泛化性。我们理论证明，FAS中固有的类别非对称性（多样化作弊者 vs. 紧凑的真实样本）扩大了泛化误差上界，在多模态场景下该效应进一步被放大。第二是模态协同不变风险，模型对过拟合域特定的模态间相关性。这种伪相关性无法在目标域的未见攻击中泛化，导致性能下降。为解决此问题，我们提出了可证明的框架，即多模态表征与协同不变性学习（Multimodal Representation and Synergy Invariance, RiSe）。针对表征风险，RiSe引入非对称不变风险最小化（Asymmetric Invariant Risk Minimization, AsyIRM），在径向空间中学习不变的球面决策边界以拟合非对称分布，同时保留域相关线索在角度空间中。针对协同风险，RiSe采用多模态协同解缔（Multimodal Synergy Disentanglement, MMSD），通过跨样本混合与解缔，构建自监督任务以增强内在且可泛化的模态特征。理论分析和实验验证表明，RiSe实现了最新的跨域性能。