DeceptionX：从多模态证据到可解释的欺骗检测

欺骗检测是情感计算和行为分析中的一项关键且极具挑战性的任务。现有的深度学习方法通​​常将此任务视为简单的分类问题；然而，这种黑匣子方法缺乏可解释性，无法捕捉人类专家在识别谎言时使用的复杂逻辑推论过程。虽然多模态 大语言模型 (MLLM) 已显示出潜力，但有效应用它们需要在底层视听线索和高级逻辑推理之间架起一座桥梁。在本文中，我们提出了 DeceptionX，这是一种新颖的 MLLM 框架，它将欺骗检测的范式从黑盒分类转变为可解释的观察-思考-总结推理过程。为了解决高质量推理数据的稀缺问题，我们首先构建了 DeceptChain，这是一个通过人机交互过程开发的高质量数据集。该数据集将细粒度的视觉和听觉证据（例如微表情和声音颤抖）合成为结构化的思维链推理数据。此外，我们为 DeceptionX 提出了三阶段训练流程和差异感知冗余消除（DARE）策略，以进一步增强模型的泛化能力。大量实验表明，DeceptionX 不仅在标准现实世界基准上优于现有的 MLLM 基线和最先进的方法，而且还提供透明的专家级推理路径，弥合了多模态欺骗检测中准确性和可解释性之间的关键差距。