EmoTrans：基于情绪转移的对话情绪识别模型

基于摘要分析。该研究面向 Emotion Recognition in Conversation（ERC，对话情绪识别），提出 EmoTrans，利用对话参与者之间的情绪转移（Emotional Transition，ET）建模上下文情绪变化。作者将情绪转移视为重要的对话特征，希望借此缓解模态信息缺失造成的话语情绪语义偏差；原研究对象是对话情绪识别，并非 EEG 或 BCI。 方法将最近若干条话语及其对应说话人拼接为样本输入，并设置多个占位符以隐式表达上下文话语的情绪。在此基础上，作者设计两个组件，分别用于增强模型对情绪的敏感性及捕获样本中的情绪转移特征；摘要未说明组件的具体结构。此外，模型引入基于 ET 的 Contrastive Learning（CL，对比学习），旨在使表示空间更紧凑，获得更稳健的样本表示。占位符构造、情绪监督来源、对比样本生成方式及损失形式尚未验证。 作者报告在四个常用数据集上取得有竞争力的结果，并报告在 MELD 和 IEMOCAP 上取得新的 SOTA 结果。摘要未提供另外两个数据集名称、具体指标、数据划分或对照基线，因此不能据此判断提升幅度或跨协议可比性。实验协议、消融及统计信息尚未验证，也需核对训练和推理阶段对上下文情绪信息的依赖。 平台推测（待验证）：若 EEG 情绪识别数据包含连续情绪片段及可靠的情绪监督，情绪转移约束可能用于研究时间上下文是否改善单片段识别。可考虑复用转移约束与对比学习思路，但需将话语和说话人输入改造为 EEG 片段及相应上下文表示；EEG 的低信噪比、情绪标签时间粒度、跨被试差异及小样本规模均可能使转移建模失效。一个可检验的小实验是在固定的跨被试划分下，对比同一 EEG 编码器加入与不加入转移约束的结果，并打乱片段顺序检验收益是否确实依赖时间上下文。以上仅为迁移假设，已有 EEG 相关工作尚未检索确认。