本研究提出了一种新型动态情感识别架构MAVEN，通过双向跨模态注意力机制整合视觉、音频和文本信息，显著提升了情感捕捉能力。实验结果表明，其在真实环境中的表现优于现有技术。

本文介绍了多模态蒙特卡洛自动编码器（MultiMAE-DER），该模型用于动态情感识别，并优化了多模态输入序列的融合策略，显著提升了模型性能。与现有模型相比，MultiMAE-DER在多个数据集上的召回率有所提高，展示了其在跨模态学习中的有效性。

该研究提出了一种新的视觉-语言模型，通过采用样本级文本描述进行零样本分类，取得了显著的改进。在四个动态情感识别数据集上测试，该方法在下游任务中表现出与人类专家相当或更优的性能。