标签
ConsMSA 为多模态情感分析引入了模态内与模态间的语义分布一致性学习，实现了词元重加权与剪枝，并在仅保留 10% 词元的情况下，在 CMU-MOSI、CMU-MOSEI 和 CH-SIMS 上取得了最先进的结果。
本文提出了一种可靠性感知跨样本增强（RCE）框架，用于鲁棒多模态情感分析。该框架通过自适应信息瓶颈和跨样本来处理噪声和模态缺失问题，并在多种设置中展示出优越性能。
本文提出一种用于处理不完整模态的鲁棒多模态情感分析的语义感知完整性估计方法，旨在提高情感相关线索缺失时的准确性。
本文提出了一种迭代代理校正框架，旨在通过优化语言代理来提升在处理不完整或损坏输入时多模态情感分析的鲁棒性，从而改进情感预测。
本文针对未见模态组合的不完整多模态情感分析问题，提出对比混合提示学习（CMPL）模型，该模型利用标签引导的对比学习和模态组合提示来增强泛化能力，在基准数据集上实现了超过5%的准确率提升。
本文提出了SentiLLM，一个利用语义对齐结构抽象将非语言模态提炼为类文本标记的框架，用于基于大语言模型的多模态情感分析。它引入了一种双流显著性-上下文校准机制，并在四个数据集上取得了优越的性能。