标签
SHALA-LLM是一个强化学习框架，使大语言模型能够直接从标注者分布中学习，并在对齐过程中动态优先处理高模糊样本，从而提升与人类标签分布的一致性及分类性能。
本文介绍了用于手语对话情感识别的eJSL Dialog数据集，填补了现有数据集缺乏对话上下文的空白。基准测试表明，应用通用多模态模型时存在领域差距，凸显了针对手语的上下文感知视觉提取器的必要性。
本文介绍了一个用于主动对话智能体的多模态情绪识别模块，该模块结合了面部识别与语言分析。一项涉及20名参与者的用户研究发现了一种“扑克脸”效应，即视觉线索不可靠，而语言分析则更为准确；研究还表明，智能体可以通过对话适应性来引发情绪。
本文提出了一种基于自定进度课程学习的即插即用模块，用于增强多模态对话情感识别中的模态平衡，在IEMOCAP和MELD数据集上实现了F1分数的一致提升。
本文提出了一种轻量级框架，使用粘性因子HDP-HMM从多模态效价-唤醒轨迹中建模会话情绪为潜在状态，旨在实现可解释且计算高效的情绪状态跟踪。
本文介绍了 EmoS，这是一个专为细粒度流式情感理解设计的高保真多模态基准，旨在解决现有数据集中存在的生态效度不足和标注可靠性低的问题。
本研究论文考察了大语言模型表达社会情感的方式与人类文化规范的匹配度，发现两者存在系统性错位。与人类回应相比，大语言模型在不同文化身份（欧美裔美国人与拉美裔美国人）下表现出的参与型与抽离型情感表达模式不一致。