2026年4月23日，CSA多模态情感计算课题组第42期学术组会成功召开，会议由国际联合实验室宋斌老师主持。本次组会的主题是《基于大型语言模型的隐式情感分析的因果提示》和《基于标签编码的不确定缺失模态鲁棒多模态情感分析》。

       河南科技大学2025级硕士研究生张笑笑对《基于大型语言模型的隐式情感分析的因果提示》文献进行汇报交流。汇报共分为六个部分，系统介绍了隐式情感分析的前沿研究成果。**部分阐述研究背景，区分显式与隐式情感分析，指出大模型带来的技术机遇与推理偏差、虚假关联等核心瓶颈。第二部分梳理相关工作，总结隐式情感分析、LLM提示学习与因果推理的研究现状，点明现有方法缺乏因果建模的共性问题。第三部分讲解理论基础，介绍结构因果模型、后门调整与前门调整原理，为去偏推理提供理论支撑。第四部分详解CAPITAL因果提示框架，围绕CoT生成、聚类推断CoT分布、迭代CoT极性估计三个阶段，说明框架如何实现无偏因果效应估算。第五部分展示实验结果，基于公开数据集与主流大模型验证了CAPITAL在准确率、鲁棒性上优于现有基线方法，消融实验证实各核心组件不可或缺。第六部分总结结论与展望，指出该框架可为大模型去偏推理提供通用方案，并展望多模态拓展、小样本学习等未来方向。

       随后，河南科技大学2025级硕士研究生周雅欣对文献《基于标签编码的不确定缺失模态鲁棒多模态情感分析》进行了汇报交流。首先介绍多模态情感分析的研究背景与发展现状，指出现实场景中普遍存在模态缺失问题，而现有方法大多仅支持单模态缺失处理、训练成本高、模态融合粗糙，难以应对不确定的多模态随机缺失。随后详细讲解TATE 网络的核心架构，包括预训练监督支路、标签编码模块、加权公共空间投影模块、Transformer 编解码结构，以及多损失联合监督机制的设计思路与工作流程。接着基于 CMU-MOSI、IEMOCAP、MELD 三大数据集，通过单模态缺失、多模态缺失、消融实验、损失函数对比、案例分析与可视化等多项实验，验证 TATE 模型在准确率与宏 F1 指标上均优于 AE、CRA、MCTN、TransM、MMIN 等主流方法，标签编码与多损失监督对鲁棒性提升显著。**后总结汇报要点，TATE 模型以统一框架突破不确定多模态缺失瓶颈，同时指出模型在模态矛盾场景、关键模态缺失处理上仍存在局限，为后续改进指明方向。

       在交流讨论环节，宋斌老师对汇报进行了总结，并提出了宝贵的建设性建议。其他与会组员围绕汇报内容提出了问题并展开了深入讨论，进一步加深了对相关问题的理解。

（图文/张笑笑、周雅欣 审核/宋斌）