SDRS：用于多模态情感分析的情感感知解耦表征偏移

基于摘要分析。SDRS 面向用户生成视频的多模态情感分析，针对独立提取的模态表征中包含情感无关信息、可能干扰融合的问题，将单模态表征解耦为情感特定与情感无关特征，再利用非语言模态的情感特定特征调整文本表征。 框架包含两个组件：交互式情感感知表征解耦通过 cross-attention autoencoder，结合其他模态的上下文影响，为各非语言模态提取情感特定特征；注意力式跨模态表征偏移将这些特征投影到潜在 token 空间，用于偏移文本表征。偏移后的表征最终用于微调预训练语言模型，完成多模态情感分析。其方法重点是融合前的信息选择与文本表征调整，而不只是增加融合结构的复杂度。 作者报告，在 CMU-MOSI、CMU-MOSEI 和 CH-SIMS 三个公开基准上，仅使用多模态标签的 SDRS 达到作者所称的最先进结果，并优于额外使用各模态标签的方法。摘要未提供具体指标、分数、数据划分或基线配置，因此尚不能量化优势或判断不同监督条件下的可比性；实验协议、消融及统计信息尚未验证。损失函数、预训练语言模型选择和实现细节也需查阅全文。 平台推测（待验证）：其可迁移机制是借助其他模态上下文，从含噪表征中分离任务相关与无关信息，可能对应多模态 EEG 情感识别中的无关变化干扰。但原研究依赖视频中的文本与非语言模态、跨模态上下文及情感标签，并非 EEG 或 BCI 验证。若探索迁移，可复用解耦与表征偏移思路，需改造 EEG 编码、时间对齐及文本条件接口；低信噪比、跨被试差异、通道变化和小数据可能导致解耦不稳定。一个可证伪的小实验是在具有配对文本与 EEG 的情感数据上，固定编码器与跨被试划分，对比直接融合和加入解耦、偏移模块后的结果，检验收益是否稳定。相关 EEG 工作尚未检索确认。