使用任务自适应预训练的主动学习方法用于语音情感识别

提出了一种基于主动学习和微调的语音情感识别框架，使用20%样本提升了8.45%的准确率，减少了79%的时间消耗。

研究使用不同的微调策略，将Wav2Vec 2.0应用于语音情感识别，提升了性能，达到了IEMOCAP数据集上的最新状态。

提出了一种多任务预训练方法，通过同时进行自动语音识别和情感分类任务，提升了SER模型的情感感知能力。

通过参数高效微调（PEFT）方法，结合精简可训练参数数量，有效提升了语音情感识别模型的性能。

提出了一种帧级情感状态对齐方法，通过聚类生成帧级伪情感标签，进一步微调HuBERT模型，实验结果优于现有方法。

研究不同的预训练模型和数据增强方法，提出了一种提高语音情感识别效果的方法，在IEMOCAP数据集上表现良好。

基于多任务学习的框架结合性别分类和说话人识别数据，提高了语音情感识别的性能。

实施模态转换方法，证明其在增强MELD数据集上的情感识别绩效方面的潜力。

提出领域适应技术，采用对比学习和信息最大化损失作为辅助任务，提升跨语料库情感识别性能。

使用多任务学习改善情感模型的泛化能力，结果表明显著提高了情感识别性能。