本文通过汇总人工智能伦理学和情感识别文献的信息，提出了与自动情感识别相关的 50 个伦理考虑因素，特别关注情感识别对隐私和社会群体的影响，并提出了有关负责任的自动情感识别的关键建议。

Sep, 2021

本研究旨在通过深度学习和转移学习来提高情感计算中文段落情感识别精度。我们使用改进后的循环神经网络模型，并提出 Sent2affect 模型进行迁移学习。实验结果表明，我们的模型在 6 个基准数据集上表现出色，相对于传统机器学习方法有了显著提升。这些发现对情感计算的应用具有重要的启示意义。

Mar, 2018

情感计算是一门研究领域，专注于开发能够理解、解释和响应人类情感的系统和技术。本研究主要针对公开可用的情感标签数据集稀缺和不平衡的问题，通过合并这些数据集以及采用各种语音数据增强技术构建了一个均衡的语料库，并在语音情感识别方面尝试了不同的架构。最佳系统是一个多模态的语音和基于文本的模型，相对于基准算法的性能为 157.57（不加权准确度 + 加权准确度），而基准算法的性能为 119.66。

Dec, 2023

本文提出了一个名为 REDAffectiveLM 的深度学习模型的新颖方法，以从短文档中检测读者的情感，通过使用基于 transformer 预训练语言模型的上下文特定表示和情感丰富的表示形式，以及双向 LSTM + 注意。在三个数据集上进行了实证评估，相对于基线模型，我们的模型表现持续超过，可以显着提高读者情感检测的性能。

Jan, 2023

本文介绍了我们在 CVPR 2023：Affective Behavior Analysis in-the-wild (ABAW) 第 5 次研讨会和比赛中进行情感反应强度 (ERI) 估计挑战的方法，通过基于多模态数据提取声学和视觉特征，提高了我们的模型表现能力，并使用 Transformer 编码器进行交叉模态关注机制，从而提高了与基线的 Pearson 相关系数。

Mar, 2023

本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。

Mar, 2024

通过利用各种数据集和方法设计，我们可以在自然环境中全面评估情感行为分析技术的真实性和适用性，从而实现情感智能技术，使设备能像人类一样理解和反应我们的情感。

Mar, 2024

本研究提出了一种基于 Experts Model 的架构，它可以从特征向量中学习不同的特征集，有助于更好地从推文中检测情感。与基准结果和 SemEval-2018 任务 1 的前五名表现者相比，实验结果表明，我们提出的方法在情感检测问题上表现出了较好的结果。

Mar, 2019

本文介绍情感计算的重要性、方法和结果，着重探讨了机器学习和混合现实在情感计算中的应用，研究了最新的方法和数据资源，并讨论了情感计算在各种应用领域中的显著影响，从而帮助未来学者更好地理解情感计算的重要性和实用性。

May, 2023

本文在交互式多模态和情感计算交叉领域进行了研究，探讨了计算机识别和表达情感现象的能力，并发现了研究的主要重点和不足之处。通过分析大量文献，我们发现研究主要集中在如何使计算机能够识别和表达情感现象，而缺乏人工智能系统通过情感和情绪预测增强对人类社交行为和认知状态的理解的研究。

May, 2023