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。

本文提出了基于图谱的多模态一致性和互补协同学习框架GS-MCC，通过构建多模态交互图、提取长程一致性和互补性信息，并构建自监督信号，以提高情感预测能力。实验证明GS-MCC架构的优越性。

情感预测是心理学中的研究方向，通过设计基于双方互动的情感预测范式将情感预测转化为深度学习问题。研究者开发了一个基于人际互动的情感预测数据集（Hi-EF），包含3069个双方多层次情境交互样本，具有丰富的情感相关标签和三种模态，并建立了一个基准模型进行实验。

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值变化会影响生成文本的情感。使用公平机器学习文献中的公正度量证明了大规模模型存在高偏见。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。

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。使用公平机器学习文献中的公正度量证明了大规模模型存在高偏见。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。

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。