本研究提出了一种新颖的多任务学习方法——多模态低秩专家混合（MMoLRE），有效解决了多模态情感分析与情绪识别中的参数冲突问题，提升了两者的表现。

本研究提出了一种通过模仿操作者数据训练的模型，以改善自主交互机器人在表达性人机互动中的不足。实验结果表明，该模型能够有效学习操作者指令，实现与专家相当的互动效果，并使用户能够识别机器人生成的不同情绪。

本研究提出了一种目的驱动的情感计算框架，旨在解决情绪识别与生成的短期模式识别问题，强调个体和群体的长期福祉，通过“数据宇宙”捕捉情感事件，促进持续幸福感。

本文探讨了虚拟现实技术在情绪识别和晕动症检测中的应用，提出了多种基于机器学习的模型和数据集，能够有效预测用户情绪和晕动症状，显示出较高的准确性。这些技术有助于改善虚拟现实体验，尤其在自闭症干预和情绪研究中。

该研究探讨了文化和语言的独特性，尤其是情感在社交媒体中的表现。提出了多语言视觉情感概念本体（MVSO）及其应用方法，并创建了一个包含超过15.6K情感偏执视觉概念的数据集。同时，研究开发了基于LEIA模型的情绪文本识别方法，展示了情感分析模型在多语言环境中的有效性和优越性。

本文介绍了Video-MME，这是评估多模态大型语言模型（MLLMs）在视频分析中性能的基准测试。研究表明，商业模型Gemini 1.5 Pro的表现优于开源模型。此外，文章探讨了情绪识别和脑电图（EEG）信号的应用，以及新数据集EIT-1M的有效性，强调了多模态模型在情感理解和视频合成中的潜力。

本文综述了图神经网络（GNN）在脑电图（EEG）情绪识别中的应用，探讨了现有方法、面临的挑战及未来发展方向。研究提出了多种模型，如半监督双流自我注意对抗性图对比学习框架和基于局部时空模式学习的图注意力网络，这些模型在情绪分类中表现优异，展现了良好的跨个体泛化能力。

本文探讨了大型语言模型（LLMs）在上下文学习（ICL）中的应用及挑战。研究发现，LLMs在情绪识别中存在显著但不一致的先验影响，模型越大，影响越明显。实验表明，黄金标签对上下文性能影响显著，而不平衡标签影响较小。提出的KICT框架和提示增强的上下文学习（HICL）显著提升了文本分类和情感分析的性能。

本文提出了可解释的情感模型C2A2，通过修改文本条件扩散模型生成连续表情。研究使用了AffectNet数据库，包含超过100万张图片，并手动注释了7种面部表情及情绪强度。该模型利用深度学习实现情感识别，提升了预测的准确性和鲁棒性。

本文介绍了多种基于深度学习的面部表情识别方法，如有条件对抗自动编码器、注意力卷积网络和生成对抗网络。这些方法结合神经可视化、数据增强和多任务学习，显著提高了情绪识别的准确率，超过85%，并在多个数据集上表现优异。

本文提出了多种基于脑电图的情绪识别方法，包括半监督双流自我注意对抗性图对比学习框架和多模式情感识别方法。这些方法在标记数据不足的情况下表现优越，通过特征融合和跨领域学习有效提高了情感识别的准确性和稳定性。

本研究使用BEE-NET深度神经网络研究了环境因素对情绪表达的影响，情绪识别得分达到了66.33%。

该方法结合了微分几何、核平滑和谱分析，用于量化面部肌肉活动。可用于视频录制、国家安全、整形外科、疾病诊断和情绪识别。是对深度学习方法和面部肌肉电图的替代。

本研究回顾了移动应用程序和虚拟对话代理器识别和适应情绪的方法，讨论了隐私问题。使用对抗学习范式来消除表征中的隐私信息，以及如何在不影响主要任务表现的情况下改善隐私度量。

这篇文章介绍了一个包含超过42k个泰米尔YouTube评论的情绪识别标注数据集。作者创建了三种情感分组并评估了模型性能。MURIL-base模型在3类组数据集上达到了0.6的宏平均F1分数。在7类和31类组中，随机森林模型的宏平均F1分数分别为0.42和0.29。