用于情感识别的成对排序网络

基于摘要分析。该研究从偏好学习视角研究情感识别，将逐样本分类或回归与样本对之间的序数排序联合训练，以利用情感强度的有序结构及样本间关系。方法被整合进已有情感识别架构，并在 EEG 和图像数据集上评估；作者报告，在所评估的分类与回归网络中均获得一致的性能提升，但摘要未提供具体指标和增益幅度。 核心机制是：除预测每个样本的情感标签外，网络还学习判断一对样本对应情感状态的序数关系。相较于仅依赖单一样本绝对标签的训练方式，排序辅助任务提供了样本间的关系约束。作者认为，这有助于捕捉情感的内在序数结构并改善泛化；具体损失形式、任务权重、配对策略及网络结构尚未验证。 摘要明确包含 EEG 情感识别实验，因此并非仅从图像任务推测其 EEG 用途。但数据集名称、被试数量、情感维度、预处理、被试内或跨被试划分、对照基线、统计显著性与消融信息均尚未验证，不能据此判断收益是否适用于跨被试或跨会话场景，也不能将情感识别结果直接等同于 BCI 系统效能提升。 复现时应重点核对样本对及排序标签如何构建、联合目标如何优化，以及不同评估协议下的收益是否稳定。尤其需要确认不同被试的情感标签是否具有可比较的序数含义；这是评估方法适用条件的核查事项，并非摘要已证实的缺陷。