11月19日，CSA多模态情感计算课题组第33期学术组会顺利召开。本次会议由国际联合实验室宋斌老师主持。本次组会的主题是《Emotion-Aware Multimodal Fusion for Meme Emotion Detection》和《SSLMM: Semi-Supervised Learning with Missing Modalities for Multimodal Sentiment Analysis》。

       河南科技大学2025级硕士研究生杨海畅对《Emotion-Aware Multimodal Fusion for Meme Emotion Detection》文献进行汇报交流。本次汇报分五部分：一是点明研究背景与问题，表情包作为社交媒体核心情感表达载体，兼具文本与图像双模态特征，但现有多模态模型缺乏情绪特征显式建模，难以应对模态冲突、跨模态噪声等挑战，导致情感检测准确率与泛化能力不足；二是阐述MOOD数据集构建，介绍该数据集通过手动标注10004个表情包，覆盖恐惧、愤怒、快乐等六种基本情绪，补充非人类主体样本，标注一致性达0.86，有效填补了基本情绪精细化标注的空白；三是详解ALFRED框架架构，该框架通过ViT与BERT提取双模态特征，经情绪强化模块捕捉情绪相关线索，再通过门控多模态融合（GMF）与门控交叉注意力（GCA）实现动态融合，**终输出情绪分类结果；四是展示实验成果，重点说明ALFRED在MOOD数据集上F1分数达0.8243，较基线模型提升4.94%，在Memotion、HarMeme等跨领域数据集上同样表现优异，消融实验验证了各核心模块的有效性；五是总结研究价值与展望，指出MOOD数据集与ALFRED框架为表情包情感检测提供了完整解决方案，未来计划扩展情绪类别、优化模型轻量化设计，并探索多模态融合与多任务学习的深度结合，进一步提升复杂场景的适配能力。

       随后，河南科技大学2025级硕士生姜先博对《SSLMM: Semi-Supervised Learning with Missing Modalities for Multimodal Sentiment Analysis》文献进行汇报交流。本次汇报分五部分：一是点明研究背景与问题，多模态情感分析可综合文本、语音和视觉信息提升情感识别精度，但在实际场景中常面临模态缺失与标签稀缺，现有方法多假设模态完整、监督充分，导致在“缺模态+少标签”条件下鲁棒性不足；二是阐述SSLMM的核心方法框架，介绍如何通过图结构建模统一三模态数据，引入交替式模态内/模态间消息传播的图编码器Enc，并结合自监督对比预训练SPT-CL与半监督微调MFT-SR，在弱视图–强视图设计下引入监督损失、一致性损失与模态重构损失，系统应对模态缺失与无标签样本利用问题；三是展示实验结果，重点说明在MOSI、MOSEI、CH-SIMS等基准数据集上，SSLMM在模态完整时性能与主流模型相当，而在不同缺失率、不同标记率设置下明显优于对比方法，消融实验验证了预训练、交替式图编码与模态重构等模块的有效性；四是总结研究结论，指出SSLMM在图结构建模、多模态融合与半监督学习之间构建了统一范式，为复杂现实场景下的多模态情感分析提供了可迁移的解决思路；五是展望未来工作，计划进一步扩展到多模态对话与在线交互场景，引入更大规模预训练模型与更高效的图编码结构，并探索与其他鲁棒学习、迁移学习方法的集成方案。

       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/杨海畅、姜先博 审核/宋斌）