論文の概要: Debiased Multimodal Personality Understanding through Dual Causal Intervention

• arxiv url: http://arxiv.org/abs/2605.06371v1
• Date: Thu, 07 May 2026 14:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.918108
• Title: Debiased Multimodal Personality Understanding through Dual Causal Intervention
• Title（参考訳）: Dual Causal Interventionによるデバイアスドマルチモーダルパーソナリティ理解
• Authors: Yangfu Zhu, Zitong Han, Nianwen Ning, Yuting Wei, Yuandong Wang, Hang Feng, Zhenzhou Shao,
• Abstract要約: 本稿では、人格理解における主観的属性の干渉を軽減するために、新しい二重因果調整ネットワーク(DCAN)を提案する。 具体的には、観測可能な人口統計因子からの急激な相関を阻止するために、バックドア調整因果学習(BACL)モジュールを設計する。 本研究は, 公正関連要因の分析と議論を支援するために, デモグラフィックアノテート・マルチモーダル・パーソナリティ・データセットを構築した。
• 参考スコア（独自算出の注目度）: 19.157821532234507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodalpersonalityunderstandingplaysacriticalroleinhuman centered artificial intelligence. Previous work mainly focus on learn-ing rich multimodal representations for video personality under standing. However, they often suffer from potential harm caused by subject bias (e.g., observable age and unobservable mental states), as subjects originate from diverse demographic backgrounds. Learn ing such spurious associations between multimodal features and traits may lead to unfair personality understanding. In this work, weconstruct aStructural Causal Model (SCM)toanalyze theimpact of these biases from a causal perspective, and propose a novel Dual Causal Adjustment Network (DCAN) to mitigate the interference of subject attributes on personality understanding. Specifically, we design a Back-door Adjustment Causal Learning (BACL) module to block spurious correlations from observable demographic factors via a prototype-based confounder dictionary, and subsequently ap ply a Front-door Adjustment Causal Learning (FACL) module to ad dress latent and unobservable biases throughalearnedmediatordic tionary intervention, thereby achieving causal disentanglement of representations for deconfounded reasoning. Importantly, we con struct a Demographic-annotated Multimodal Student Personality (DMSP) dataset to support the analysis and discussion of fairness related factors. Extensive experiments on the benchmark dataset CFI-V2 and our DMSPdataset demonstrate that DCAN consistently improves prediction accuracy, reaching 92.11% and 92.90%, respec tively. Meanwhile, the improvementsinthefairnessmetricsofequal opportunity and demographic parity are 6.57% and 7.97% on CFI-V2, and 15.38% and 20.06% on the DMSP dataset. Our code and DMSP dataset are available at https://github.com/Sabrina-han/DCAN
• Abstract（参考訳）: マルチモーダル・パーソナリティにおける批判的人間中心人工知能 これまでの研究は主に、立ち上がり中のビデオパーソナリティを学習する豊富なマルチモーダル表現に焦点を当てていた。 しかし、様々な人口統計学の背景から被写体が引き起こされるため、被写体バイアス(例えば、観察可能な年齢、観察不可能な精神状態)によって引き起こされる潜在的な害に悩まされることが多い。 マルチモーダル特徴と特徴との間のこのような刺激的な関連を学習することで、不公平なパーソナリティの理解につながる可能性がある。 本研究では,これらのバイアスを因果的視点から分析する構造的因果モデル(SCM)を構築し,人格理解における主観的属性の干渉を軽減するための新しい二重因果調整ネットワーク(DCAN)を提案する。 具体的には、プロトタイプベースの共同設立辞書を用いて、観測可能な人口統計因子から急激な相関関係を阻害するバックドア調整因果学習(BACL)モジュールを設計し、その後、遅延した偏見と観察不能な偏見を通したドレスにFACL(Front-door Adjustment Causal Learning)モジュールを適用し、デコンストラクションのための因果的不整合を実現する。 重要なことは、公正関連要因の分析と議論を支援するために、デモグラフィックアノテート・マルチモーダル・パーソナリティ(DMSP)データセットを構築したことである。 ベンチマークデータセットCFI-V2とDMSPdatasetの大規模な実験により、DCANは予測精度を一貫して改善し、92.11%と92.90%に達した。 一方、CFI-V2では6.57%と7.97%、DMSPデータセットでは15.38%と20.06%である。 私たちのコードとDMSPデータセットはhttps://github.com/Sabrina-han/DCANで公開されています。

関連論文リスト

• Towards Minimal Causal Representations for Human Multimodal Language Understanding [20.44307628909198]
  従来の可能性よりも因果原理を活用する因果多様情報ボトルネック(CaMIB)モデルを導入する。 因果的特徴のグローバルな整合性を確保するため,器用変数制約を組み込む。 マルチモーダル感情分析、ユーモア検出、およびサルカズム検出の実験は、OODテストセットとともに、CaMIBの有効性を実証した。
  論文  参考訳（メタデータ） (2025-09-26T03:04:23Z)
• MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
  本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。 本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
  論文  参考訳（メタデータ） (2025-01-13T15:47:02Z)
• Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
  我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。 ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。 これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
  論文  参考訳（メタデータ） (2023-11-28T16:46:14Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Assessing Demographic Bias Transfer from Dataset to Model: A Case Study in Facial Expression Recognition [1.5340540198612824]
  2つのメトリクスはデータセットの表現バイアスとステレオタイプバイアスに焦点をあて、もう1つはトレーニングされたモデルの残差バイアスに焦点を当てている。 本稿では、一般的なAffectnetデータセットに基づくFER問題に適用することで、メトリクスの有用性を示す。
  論文  参考訳（メタデータ） (2022-05-20T09:40:42Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Uncovering Main Causalities for Long-tailed Information Extraction [14.39860866665021]
  データセットの選択バイアスによって引き起こされる長い尾の分布は、誤った相関をもたらす可能性がある。 これは、データの背後にある主な因果関係を明らかにすることを目的とした、新しいフレームワークである。
  論文  参考訳（メタデータ） (2021-09-11T08:08:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。