- E-ICL：运用原型理论加强细粒度情绪识别
通过原型理论的视角，本文识别了上下文学习（ICL）在细粒度情绪识别上表现不佳的原因，并提出了一种解决此问题的方法 ——Emotion Context Learning（E-ICL）。该方法通过使用更准确的原型并参考情感相似的示例来预测情绪类 - 元学习引导的微表情识别
提出了一种名为 LightmanNet 的双分支元辅助学习方法，用于快速和鲁棒的微表情识别，通过双分支双层优化过程，从有限数据中学习一般的微表情识别知识，进一步改进了模型的泛化和效率。
- 改进的文本情感预测通过结合价值和唤醒序列分类
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 - 使用数据增强和迁移学习在细粒度情感检测数据集上的大型语言模型
本研究旨在提高文本情感分类在 GoEmotions 数据集上的性能，解决在自然语言处理中检测微妙情感的挑战，并为未来研究提供有价值的见解和方向，包括合成该领域不同数据集上的方法和性能的综述论文的潜力。
- SEGAA: 预测语音中的年龄、性别和情感的统一方法
该研究探索使用语音线索预测年龄、性别和情绪，通过对单一、多输出和顺序模型的比较，发现多输出模型更有效地捕捉变量和语音输入之间的复杂关系，同时提高运行时间。
- EmoLLMs：一系列用于全面情感分析的情感大型语言模型和注释工具
基于指令数据微调各种 LLMs 的 EmoLLMs 系列兼具情感分类和回归任务的综合情感分析模型，在各类任务中超越了现有的 LLMs、ChatGPT 和 GPT-4，具有与 ChatGPT 和 GPT-4 相当的情感分析自动化标注工具的广泛 - 基于 Transformer 的文本罪犯检测
研究通过探索三种基于 transformer 的语言模型在文本中检测负罪感的适用性，并比较它们在一般情绪检测和负罪感检测中的性能，发现我们提出的模型的性能较 BERT 和 RoBERTa 模型分别高出两点和一点。此外，通过对结果的定性分析， - 虚拟现实游戏中的面部情感识别
使用卷积神经网络在遮住眼睛和眉毛的全脸图像中准确识别七种不同的情绪，通过对虚拟现实游戏中玩家情感数据的收集与分析，提高游戏玩法分析，帮助游戏开发者创建更具吸引力和沉浸感的游戏体验。
- 面向可推广 SER 的软标注和数据增强：建模大规模多语种语音中的情绪时序变化
通过合并多个语料库，提出了一种软标签系统来识别口语交流中的情感，并使用时间动力学强调情感的动态变化。通过在跨语言的四个多语种数据集上进行验证，展示了引人注目的零 - shot 泛化性能。
- MoEmo 视觉变换器：在 HRI 情感检测中整合交叉注意力和运动向量的 3D 姿势估计
本研究通过使用 MoEmo（Motion to Emotion），一种基于 3D 人体姿势估计的交叉注意力视觉变换器（ViT），以及基于人类姿势和环境背景的人体运动全身视频和相应情感标签的数据集，有效地利用人类姿势 / 姿态的运动向量和环境 - EmoTwiCS: 用于建模荷兰客服对话中情绪轨迹的语料库
通过 EmoTwiCS 数据集，本研究介绍了适用于 Twitter 客户服务对话的情绪轨迹自动检测，以监测客户满意度和防止负面口碑。数据集包含了 9,489 个荷兰语对话，覆盖了细粒度标记的情绪和相关事件，研究结果证明了该数据集的高质量。
- 呼叫中心对话中语音连续情绪识别的声学和语言表征
本研究旨在自动检索实际呼叫中心对话中的满意度和挫折情绪，并侧重于持续追踪客户满意度以改善客户服务的工业应用。使用预训练的语音表示作为迁移学习形式，对 AlloSat 语料库进行了探索。实验结果确认了使用预训练特征可获得的性能大幅提升，并发现 - 对话情感检测的动态因果解缠模型
我们提出了一种基于隐藏变量分离的动态因果解缠模型，通过分解对话内容并研究情绪的时间性积累，从而实现更精确的情绪识别。我们在两个常用的对话情绪检测数据集上验证了该模型的优越性。
- 多模态多损失融合网络
通过多模态特征的最优选择和融合，并结合神经网络以提高情感检测，我们比较了不同的融合方法，并研究了多损失训练对多模态融合网络中子网络性能的影响，发现了与子网络性能相关的有用发现。我们的最佳模型在三个数据集（CMU-MOSI、CMU-MOSEI - 利用迁移学习从 EEG 中进行情感检测
本研究使用 Resnet50 作为基本模型和 Mean Phase Coherence（MPC）和 Magnitude Squared Coherence（MSC）的组合来识别情绪，结果表明该方法在情感分类方面很有前途。
- 用户交互情绪状态的视觉反馈
本文提出了一种交互式艺术装置 “Mood spRing”，它通过解释语言和语调来反映环境的心情。 Mood spRing 由控制季节沉浸式 3D 动画的人工智能程序组成。如果 AI 程序感知到用户的语言和语调是愉快的，则动画将通过理想化的季 - 文本中的罪恶感检测：了解复杂情感的一步
我们介绍了一项名为 “Guilt detection” 的新颖自然语言处理（NLP）任务，该任务专注于检测文本中的负罪感，我们创建了一个名为 VIC 的数据集，内容涵盖了三个现有情感检测数据集中的 4622 个文本，我们使用传统机器学习方法 - EMNLP利用心理语言学特征和 Transformer 提升基于文本的情感检测的泛化能力
本文采用基于转换器模型和双向 LSTM 网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。
- 社交媒体上个人健康提及检测的多任务学习
采用多任务学习框架，通过使用情感检测作为辅助任务，利用相关任务中可用的标注数据来提高社交媒体文本中个人健康体验检测的性能，从而显著提高了个人健康提及检测任务的范围与强大状态下的基线相比。
- 使用 ParsBERT 和不平衡数据处理方法的波斯情感检测
本文旨在评估和比较两种标记好的波斯语情感数据集（EmoPars 和 ArmanEmo）的性能，并通过使用数据增强技术、数据再平衡、类别权重和 Transformer-based Pretrained Language Models 等方法，