- 基于脑电图的认知负荷分类：特征屏蔽自编码和情感迁移学习
本文介绍了一种使用脑电图的认知负荷分类的新方法，采用变压器架构与迁移学习，利用自监督预训练和冻结权重与微调的迁移学习来进行认知负荷分类，实验证明该方法表现优秀且胜过传统的单阶段全监督学习，研究为情感计算中的认知负荷领域增加了新的文献，为未来 - 基于音频的情绪识别的自监督学习
情感识别通过音频输入数据的模型可以实现在心理健康、营销、游戏和社交媒体分析等领域的交互式系统的发展。
- 从 EEG 中揭示情绪：一个基于 GRU 的方法
通过使用 Gated Recurrent Unit (GRU) 算法，该研究检测了使用 EEG 信号来预测情绪状态的能力，结果表明该模型在验证集上达到了 100% 准确率，并且与其他机器学习技术相比，GRU 模型的极限梯度提升分类器具有最高 - ChatGPT 的回复能提升传统自然语言处理吗？
在本文中，研究人员探索了 ChatGPT 的新颖知识，在融合现有的自然语言处理技术时，如早期或晚期融合，增强了情感计算、自杀倾向检测和大五人格评估等问题的现有技术的能力。
- 音视频情感机器学习的可解释性研究综述
该研究通过对 29 篇研究文章进行结构化文献综述，发现近五年来出现了在情感机器学习中采用可解释性方法的趋势，然而这些方法存在范围和评估深度的限制，并且缺乏用例的考虑，因此提出了对研究的主要空白的概述和建议。
- 情绪变化预测和情绪推断的弱监督方法改进
本研究旨在探究情绪与情感的相互作用对情绪计算的影响，通过利用经过度量学习的变化情绪标签预测视频片段的情绪变化，并比较单一情绪标签与整体标签的模型预测效果，结果表明通过整合情感变化信息进行训练，情绪预测模型能够实现更好的效果。
- 交叉注意力不足：不协调感知的多模态情感分析和情绪识别
通过层级交叉模态变压器与模态门控的轻量级模型，本文在情感和情绪分析领域，解决了多模态数据融合存在的潜在问题，提出了一种确定主要模态并逐层整合辅助模态的方法，发现了交叉模态关注中的跨模态不一致性并在三个基准数据集上验证了该方法的有效性，并使模 - 从实验室到野外：基于特权信息的情感建模
本研究介绍了一种处理真实情境中情感模型训练时的限制性因素的新方法 —— 特权信息，该方法通过利用多模态数据进行模型的训练，然后使用仅包含原始视频帧的数据进行模型测试，实现了情感交互模型在真实情境中的推广应用
- 情感现象在多模态交互研究中的作用扩展
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 - 持续面部表情识别：基准测试
本文提出了 Continual Facial Expression Recognition（ConFER）基准测试，评估了不同的 Continual Learning（CL）方法在面部表情识别任务中的性能，表明 CL 技术在不同的学习设置下 - 情感计算综述：挑战、趋势、应用和未来方向
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。
- PhysBench：一种用于远程生理感测的基准框架，具有新数据集和基线
本文提出一种针对面部视频的生理信号恢复算法，包括一个完整且高效的训练和测试框架，以及一个高度同步、无损格式的数据集，该数据集包含来自 58 个受试者的 32 个小时（3.53M 帧）的视频，旨在为不同的算法提供公平比较。
- 情感计算中偏见和公平性的心理测量与计算视角整合：自动视频面试的案例研究
本研究基于心理测量学的原则，对机器学习应用于情感计算的偏差和公平性进行了论述，讨论了测试公平性和偏置的各种方法和指标，并提供了自动化个性化和招聘推理的案例研究。
- SGED：脉冲手势情感识别性能评估基准数据集
本论文提出了一种基于伪双流网络的新的手势情感识别数据集，通过使用多模式信息的互补性来提高模型和算法的性能，并验证了其在情感计算领域中的应用潜力。
- 语音匿名化对基于语音的 COVID-19 检测的影响
本研究关注于一项针对基于语音的 COVID-19 诊断的健康监测应用，测试了两种常见的匿名化方法并将其应用于三个公共数据集，验证了匿名化方法的有效性并量化了在不同测试场景下的影响，最后展示了匿名化作为数据增强工具的益处。
- 人机交互中个性化情感计算调查
本文探讨了情感计算领域中个性化的必要性，并对 state-of-the-art 的方法进行了综述和分类，包括针对特定目标的模型、群组特定模型、加权方法、微调方法、多任务学习、生成模型和特征增强。此外，文章还对文献进行了统计分析，提供了路线图 - 情感计算是否将从基础模型和通用 AI 中崛起？对 ChatGPT 的首次评估
本文主要评估了 ChatGPT 在文本分类中的能力，尤其针对情感计算问题，实验结果显示，虽然 ChatGPT 表现良好，但相对于 RoBERTa 来说还有一个较大的提升空间。
- AAAISeedBERT: 从聚合标签中恢复注释器评分分布
使用 SeedBERT 方法从单个标签中恢复注释者评分分布来解决机器学习中的主观性问题，并且在下游主观任务中与其他模型相比表现出显着的性能提升。
- 情感的不变基本真相
本文旨在探讨情感计算学科中如何通过转化因果关系理论，获得一个可靠的情感本质真实性，并通过在数位游戏领域的实验验证，证明这一方法可以成功侦测异常点并提高情感模型的准确性，是一个关键和决定性的情感建模尝试。
- MM情感词汇表的创建和使用最佳实践
本文介绍了情感计算和 AI 伦理学的想法，旨在呈现有关情感词汇表创建和使用的实践和伦理考虑事项 —— 最佳实践。该目标是提供全面的相关考虑因素，以便读者（特别是那些新于情感处理的人）可以在一个地方找到相关信息。 我们希望这项工作将促进更多思