2026年8月3日，CSA多模态情感计算课题组第49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方面的多模态情感分析方法研究与应用和基于模态子集格一致性学习的不完整多模态情感分析。

       河南科技大学2024级硕士研究生刘文静围绕其研究课题《基于方面的多模态情感分析方法研究与应用》进行了汇报。汇报内容涵盖三个主要方面：首先、分析了当前方面级多模态情感计算领域的相关研究进展；其次、详细阐述了主要研究内容与创新点；**后、介绍了现阶段取得的研究成果及后续工作计划。汇报指出，当前方面级多模态分析主要包含三个子任务，即方面术语提取、方面级多模态情感分类，以及方面级多模态联合情感分类（后者涉及方面词提取与情感预测的联合建模）。该研究致力于探索更具鲁棒性的方面级多模态情感分析方法，以期为相关领域提供新的研究思路。

       随后，河南科技大学2024级硕士研究生李晓康围绕其研究内容二《基于模态子集格一致性学习的不完整多模态情感分析》进行了框架报告。该研究立足于真实场景中的局部信息缺失和整模态缺失问题，系统介绍了研究背景、相关工作、模型设计及实验结果。针对缺失位置经过网络计算后可能产生非零伪响应的问题，研究提出多尺度情感证据学习与证据中心化机制，通过掩码感知编码和“实际响应—空输入响应”差分，消除与样本内容无关的固定响应。在此基础上，该研究将文本、语音和视觉形成的七个非空模态子集组织为模态子集格，并利用边一致性、路径目标一致性和顺序一致性约束不同模态状态之间的语义连续性。同时，设计转移感知的标签引导对比学习策略，根据连续情感标签距离调整负样本权重，增强模型的情感判别能力。模型无需重建缺失模态，即可利用当前可用信息直接完成情感预测。该研究在CMU-MOSI、CMU-MOSEI和CH-SIMS数据集上进行了实验。结果表明，所提出模型在不同缺失条件下具有良好的预测性能和鲁棒性，为复杂场景下的不完整多模态情感分析提供了新的研究思路。

       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/刘文静、李晓康  审核/宋斌）