本文提出了一种训练方案，可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示，通过实验表明，该方法能够实现所需的互操作性，而不降低预测准确率。

Dec, 2020

本研究提出了一种新型深度学习框架，用于生成细粒度情感的嵌入式表示，可用于计算描述情感心理模型。通过与多头探测模型集成的上下文嵌入编码器，可以动态地学习情感表示并优化情感分类任务，评估结果表明可以达到最先进的 32 种情感分类。最后结合情感图生成情感轮并增强丢失的情感状态模型价值。

Apr, 2021

本篇研究提出一种基于面部表情的情感识别的无监督学习方法，通过跨模态蒸馏将面部表情标注传递到语音领域，用于语音情感识别，实现了在未标注音频数据下学习语音情感表示的目标。

Aug, 2018

情感识别是一个复杂的任务，本论文通过多角度研究数据集、标签、建模、人口统计学和成员变量编码以及评估等方面的挑战，推进了强健、实用的情感识别模型的发展。

Sep, 2023

本文研究了如何使用多语言模型和 Demux 来建立一个能够在不同配置之间转换的单一情绪识别模型，其中 Demux 能够预测多种情绪，并在它们的情感嵌入中进行操作，从而允许我们动态地更改模型预测的情绪群集。我们表明，Demux 能够在零样本学习的方式下转移知识到新的语言、新的标注格式以及未见过的情感。

Oct, 2022

本研究提出了一种基于情感嵌入的模态可转移模型，通过学习映射函数将情感嵌入从文本空间转移到视觉和声学空间，进行多模态情感识别，在零 - shot 和 few-shot 情感识别场景下达到了最先进的性能。

Sep, 2020

该文提出了一种基于多任务和分层多任务学习框架，共同模拟连续和离散情感标签之间的关系，并展示了如何利用这种关系来提高情感识别任务的鲁棒性和性能。实验结果表明，我们的模型在两个广泛使用的数据集（IEMOCAP 和 MSPPodcast）上有统计显着的性能改进，并展示了该不匹配训练方法的实验结果和推理。

Oct, 2022

通过收集大规模的人脸数据集，我们使用神经网络在一个压缩的嵌入空间中描述面部表情，并取得了在表情检索、相册摘要和情绪识别等各种应用中的良好表现。

Nov, 2018

本文研究如何通过异构外部来源（包括图像和文本数据）传递知识来帮助用户生成视频中的情感识别，情感归因和情感导向摘要等任务，提出了一种框架来学习情感图像数据集中的视频编码，并通过从辅助文本语料库中传递知识来实现用于训练时见不到的情感类别的零样本识别，该方法促进了情感归因和情感导向摘要的新应用。通过对多个数据集的全面实验，验证了该方法的有效性。

Nov, 2015

机器学习在视觉情感识别方面的应用具有很大的潜力，但目前的方法针对有限的视觉情感概念局限于小规模数据集上进行模型训练和测试。我们的分析确定了现有视觉情感基准测试中存在的一个长期被忽视的问题，即数据集偏见。基于我们的分析，我们提出了一个基于 Webly 监督方法的解决方案，通过利用大量的库存图像数据进行训练。我们发现，使用我们的大规模图像数据集学习的模型表现出了明显更好的泛化能力。此外，使用我们的方法学习得到的视觉表示在不同的图像和视频数据集上具有很大的潜力。

Aug, 2018