提出了一种多任务框架 VADEC，用于更好地进行情感分析，其中包括多标签情感分类和多维情感回归，并通过协同训练利用任务之间的相互关系，其性能超过了最强基线，尤其是在情感分类任务方面，为 AIT 数据集中的 Jaccard Accuracy、Macro-F1 和 Micro-F1 得分分别带来了 3.4%、11% 和 3.9% 的提高，在 SenWave 数据集上表现出了 11.3% 的平均增益。当在 SenWave 数据集上训练时，VADEC 对于 Valence（V）和 Dominance（D）情感维度在 EMOBANK 数据集上实现了 7.6% 和 16.5% 的皮尔逊相关系数增益，最后在印度发布的 COVID-19 tweet 的案例研究中证明了该框架的有效性。

May, 2021

这篇论文介绍了一种从文本中分类情绪的方法，它针对各种情绪的多样性进行了差异化的识别，通过训练基于 Transformer 的模型建立了基准分类模型，并通过序数分类模型在情绪空间中考虑了情绪的价值和激活水平，结果表明该方法不仅能够准确预测情绪，而且在错分情况下显著降低了错误的程度。

Apr, 2024

多任务学习在语音情绪识别中的应用与多模态系统和情绪范畴及情绪维度的预测相关，通过跨任务正则化和特征融合提高模型表现。

Dec, 2023

本文介绍了 EmoBank，一个英语语料库，平衡了多种文体，我们用情绪维度元数据在 Valence-Arousal-Dominance（VAD）表示格式中进行了注释。

May, 2022

本研究利用预训练转换器对多语言和多领域的输入文本进行情感分析，使用基于趋势 - 唤醒维度的情感分析方法，比传统方法更细致地区分不同的情感，并发现模型大小对预测质量有显著影响，可自信地预测不同语言的趋势性和唤醒性。

Feb, 2023

提出了一种低维度的监督聚类级对比学习（SCCL）方法，将高维度的语义空间转换为三维的情感表示空间（VAD），通过聚类对比学习来融合可量化的情绪原型，利用预先训练的知识适配器来丰富上下文和模拟对话，从而在不同的数据集上实现了新的最先进的情感识别结果。

Feb, 2023

本研究旨在研究情感表示的两种范式：分类标签和连续空间中的维度描述，并提出一种仅使用维度标注的分类流程。该方法基于回归器模型，可以预测给定语音音频的维度表示的连续值向量，进而使用映射算法将其解读为情感类别。我们研究了三种特征提取器，三种神经网络结构和三种映射算法在两个不同的语料库上的绩效。研究表明，分类回归方法具有优势和局限性。

Oct, 2022

本文主要介绍了通过学习情感空间映射来实现机器人在情感任务中的表现，通过用户反馈的学习方式，实现深度学习每个情感的代价函数，并将其映射到情感空间上，从而可以将用户反馈用于学习所有情感，生成各种情感的轨迹并做出相应表现。本文提出的方法已在多个测试实验中得到应用和验证。

Mar, 2022

本文通过多任务学习探究情感价值和情感载体之间的相互依赖，使用预训练语言模型、生成模型和判别模型对情感价值和情感载体进行预测和比较，结果发现，在联合预测模式下，判别模型能实现情感价值和情感载体的最佳平衡，从而节省了计算资源。

May, 2023

通过降维预训练表示空间，这篇论文展示了如何在情感识别任务中减少模型复杂性而不降低性能，并且模拟标签不确定性以提高模型的泛化能力和鲁棒性。此外，论文比较了情感模型在声学恶化下的鲁棒性，并观察到降维表示能够保持与全维表示相似性能而不发生显著的情感性能回归。

Dec, 2023