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。

情绪识别在ABAW竞赛中取得进展，使用预训练的ResNet18和Transformer作为基本网络框架，提出时间金字塔结构网络用于帧级情绪预测，利用DFEW数据库构建训练数据，构建了分类框架。

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。

本文介绍了一种由多个卷积神经网络和大规模人脸识别数据集训练得到的强大人脸识别网络组成的集成模型，通过捕获视频中的空间和音频特征，提高了情绪识别的准确性。测试结果显示，该模型在不使用视觉时间信息的情况下，将测试集的最佳结果提高了约1%，达到了60.03%的分类准确度。

通过调查音频和视觉深度学习方法，为非控制环境中的情绪识别问题提供有效的体系结构。使用基于微调的卷积神经网络（CNN）和公共维度情绪模型（PDEM）进行视频和音频模态的比较，并使用这些多阶段训练的模态特定的深度神经网络（DNN）的嵌入来比较替代的时间建模和融合策略。在 ABAW'24 挑战协议下，对 AffWild2 数据集进行了结果报告。

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。

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。研究发现多模态表征可能泄露敏感信息，使用对抗学习范式消除隐私信息并改善隐私度量。该研究首次分析了不同模态的隐私指标差异，并解决了多个隐私问题。

本研究使用卷积神经网络从多个角度提取特征，实现了情感分析和情绪识别，并提升了10%的性能。同时，探讨了多模态情感分析中的重要问题，为今后的研究提供了新的基准。

InstructERC是一种新的情绪识别对话任务方法，通过生成性框架和多层次监督信息整合，达到了全面的SOTA水平。该方法引入了检索模板模块和情绪对齐任务，能够预测未来情绪趋势。