CLEAR: Совмещение местных доказательств с недоброкачественными представлениями для признания смешанных эмоций в ходе бесед

arXiv:2605.18547v2 Annuate Type: заменить резюме: В видео звонках и в прямом эфире дискуссии распознавание эмоций ораторов помогает определить эмоционально важные сегменты и поддерживает тонкий анализ содержания видео. Multimbly Emotion Revision in Conversation (ERC) предлагает подход к распознаванию эмоций в таком содержании, объединяя текстовую, визуальную и акустическую информацию с контекстом разговора. Текущие основные методы распознавания эмоций в значительной степени используют контекстуальные возможности мультимодальных моделей большого языка (MLMs) для прогнозирования эмоциональных процессов путем создания ярлыков. Однако понимание эмоций и прогнозирование ярлыков могут быть непоследовательными, в результате чего внутренняя информация о воздействии на здоровье человека используется недостаточно. Кроме того, когда нынешнее высказывание совместно моделируется на основе обширной истории диалога и мультимодальной информации, его местные дискриминационные сигналы могут быть размыты и менее заметны в соответствующем контекстуальном представлении. Для устранения этих ограничений