本文探讨了自动情感预测中的数据收集实践的不确定性，指出现有模型未能充分考虑情感的复杂性。研究提出新模型，旨在系统性理解和解释与过程相关的质量和上下文，以改善数据收集和分析实践，推动情感计算领域对不确定性和上下文的深入理解。

本研究提出了一种新颖的框架，用于阿拉伯方言和情感的分类与预测。该框架由三个模块构成，生成了新的情感词汇表，实现了88.9%的分类准确率，超越了现有成果。

本文提出了一种新方法，通过逐步任务增强和关系学习解决方面情感四元预测中的数据不足问题，显著提升了预测性能，实验结果在多个基准数据集上表现优异。

本研究探讨了多模态音乐情绪预测，提出了一种基于深度学习的新模型，证明其在用户注意力唤起方面优于传统方法。研究比较了不同的融合方法，优化了单模态模型，提升了情感预测效果。同时，研究还涉及循环神经网络在音乐情感识别中的应用，旨在增强音乐推荐系统和治疗干预。最后，概述了音乐情感数据集，并强调了捕捉音乐情感的挑战。

本文提出了一种新颖的知识传递网络，通过跨模态注意机制重构缺失音频模式，从而提升情感预测性能。实验结果表明，该方法在多个数据集上显著优于基线方法，并在多模态知识蒸馏框架中有效解决了模态缺失问题。

本文研究了缺失模态对自动音视频表情识别中 transformer 模型表现的影响。通过消融实验和知识传递网络，提升了模型的泛化性能和情感预测能力。实验结果表明，结合音频和文本信息的多模态模型在多个数据集上表现显著，尤其在 IEMOCAP 数据集上效果最佳。

本研究探讨了大型语言模型（LLMs）在政治新闻情感预测中的应用，发现其在捕捉特定实体情感方面优于调优的BERT模型。通过少样本学习和连续思维方法，提升了情感预测的准确性和连贯性。此外，研究分析了LLMs在金融情感分析中的潜力，提出基于检索增强的框架以提高准确性，显示出显著的性能提升。

该研究提出了一种新颖的知识传递网络，用于跨模态翻译和重构音频模式，采用跨模态注意机制保留最大信息，用于情感预测。实验证明该方法相较于基线方法有显著改进，并在多模态监督方面取得了相当的结果。

该研究提出了一种新颖的知识传递网络，用于跨模态翻译和情感预测。实验证明该方法相较于基线方法实现了显著改进，并在多模态监督方面取得了相当的结果。

本文旨在量化和减少语言模型中的情感偏见。研究发现，敏感属性的变化会影响生成文本的情感。使用公平机器学习的方法量化了情感偏见，并证明了大规模模型存在较高的偏见。提出了使用嵌入和情感预测导出的正则化方法，提高了公正度量，同时保持了困惑度和语义相似性。