标签
本文讨论了确定性人工智能代理如何表现出享乐性位置偏好行为，这对理解意识和自由意志具有启示意义。
AffectOmni是一个基于GRPO训练的框架，用于多模态大型语言模型中的可验证情感推理，引入了People Focus和Temporal Order奖励，以增强以人为中心的证据选择和时间结构化推理，实验显示在7B规模基线上有所改进。
本文介绍了一种双塔架构，将EEG数据与文献信息环境先验相结合用于情感状态分类，证明了仅使用EEG时的准确性提升，同时强调了方法学进步，而非暴露-情感的因果关联。
该论文介绍了FRONT 3.1，一种概念性的AI架构，它融合了内感受和情感状态以模拟生物认知，具有数字身体和前因果流等组件。
本研究论文探讨了多模态基础模型中的情感敏感神经元，通过因果干预和跨模态分析，揭示了语音与面部情绪识别之间的共享情感机制。
本文评估了在PPG数据上使用自监督学习进行真实生活情感检测的效果，发现在没有个性化处理时，通用表征会失效。
CUE-Bench is a Chinese benchmark for affective stance that models explicit-implicit polarity interaction and provides intent and fine-grained emotion annotations, showing gains in emotion recognition and pragmatic intent detection.
This paper proposes an expanded formulation of valence and arousal in an active inference model of human driving, conditioning affective estimates on predicted future outcomes and evaluating it in interactive driving scenarios.
本文介绍了 NTDH，一个面向全面情感分析的复杂推理框架，它统一了情感和情绪预测任务。在 Qwen3-8B 上使用 SFT 和 GRPO 进行训练，在 SemEval-2018 EI-reg 上取得了强劲的结果，皮尔逊相关系数为 0.862。
介绍了一款名为OneEmo的统一多模态推理模型，用于情绪感知、理解与交互，并同时介绍了EmoWorld-130K数据集和Emo-Chord强化学习策略。
本文通过分析人类对道德场景的标注，探究效价特征是否能够反映自然语言中的道德性，发现显著相关性，并在二元道德分类中实现了0.764的马修斯相关系数。
介绍SCoPE，一个轻量级的对话情感识别模块，该模块对说话人特有的情感先验进行建模，并利用情感移位预测来动态融合先验和多模态证据，在IEMOCAP上达到了最先进的性能。
本文介绍了一种用于基于脑电图的情感识别的图正则化深度学习框架，该框架将心理基础的情感拓扑结构融入训练目标，在SEED数据集上实现了准确率提升高达5.42个百分点以及心理上不合理的误分类减少39%。
提出了一种细粒度多模态框架，采用 Binary Advantage-weighting Ranking Loss 进行自动抑郁检测，在 D-vlog 和 LMVD 数据集上取得了最先进的结果。
本文对三种大语言模型（Claude、GPT-5.4、Gemini）在13类情感分类任务上进行了零样本评估，发现所有模型的准确率均未超过39.9%，并揭示了在爱、困惑、羞耻等特定情感上的系统性失败。
PRISM是一个新颖的跨被试脑电图情绪识别框架，它通过轻量级专家集成实现优先级通道重要性加权，并结合使用置信度过滤伪标签的半监督领域适应，在DEAP、DREAMER和SEED数据集上取得了最先进的结果。
本文介绍了'Affectosphere'的概念，并认为由于不可约化的不确定性，情感AI无法完全确定个体情绪的意义，从而产生了'affective sovereignty'的规范，即体验主体保留最终的解释权。
本文评估了十二种最新文本编码器在三种心理学情绪理论中编码情感线索的能力，发现指令感知的开源权重编码器在单词级别上达到或超过专有编码器，而任务微调嵌入在句子级别上更优。
本文研究使用基于Transformer的生成模型从日本演员的动作捕捉数据中学习情感身体运动，生成基于离散情感标签的运动。评估表明，生成的运动在用于数据增强时能提升情感识别性能，并实现情感强度间的平滑过渡。
本文介绍了MER-R1，一个通过协同快速和慢速思维进行多模态情感识别的强化学习框架。它通过双目标解耦和慢速-快速置信度校准，联合优化召回率和精确率，从而实现了最先进的性能。