HF 論文速讀 2026-08-17
情緒理解從單一模態分類走向以多模態、外部資料與訓練策略共同提升的系統化競賽。
今天的核心是：情緒辨識 SOTA 不只靠更大模型，更靠資料、上下文、模態融合與可靠評測設計。
今天先記三件事
- PRC-Emo 以檢索、提示解讀與課程學習，同登 MELD、IEMOCAP 第一。
- 視覺情緒辨識正混用靜態與動態資料；S4D 在 MAFW 取得 UAR 43.72、WAR 58.44。
- TabPFN-3 顯示 tabular foundation model 已進入即時排行榜競爭，但仍需看跨資料集穩定性。
五篇速讀
TabPFN-3 技術報告
表格學習競逐者
為什麼重要：在 TabArena-v0.1 的 51 個資料集、全任務設定排名第三，Elo 為 1642。
帶走什麼：評估不應只看單一資料集；TabPFN-3 的平均排名、調和排名與推論速度都值得一起看。
下一步：若做 tabular baseline，先以其公開 TabArena 設定對照自己的資料與硬體。
LLM 會感受嗎？用提示、檢索與課程學習教會情緒辨識
文字情緒辨識
為什麼重要：PRC-Emo 在 MELD 與 IEMOCAP 兩項 ERC 榜單皆居第一，且訓練管線與資料已公開。
帶走什麼：情緒辨識可將對話上下文、說話者特徵、顯隱式情緒解讀與相似案例檢索結合。
下一步：先讀 Table 2 與官方 repo，重點拆解 Top-3 retrieval、rank-32 LoRA 與課程排程。
以靜制動：用靜態表情資料深化動態臉部表情理解
動態視覺表情
為什麼重要：S4D 在 MAFW 11 類純視覺任務第一，使用 ViT-B/16 與 Mixture of Adapter Experts。
帶走什麼：靜態臉部表情資料不是次等訊號；與動態影片聯合微調可補足動態資料的不足。
下一步：若做影片情緒辨識，檢查是否能加入 AffectNet 類靜態資料，並重現五折聚合評測。
Emotion-LLaMA：以指令微調進行情緒多模態辨識與推理
多模態情緒推理
為什麼重要：在 MER2024-NOISE 與 MER2023-SEMI 均為第一，整合 audio、video、text 三種訊號。
帶走什麼：凍結感知編碼器、只以 LoRA 調整語言骨幹，能以較少可訓練參數完成多模態對齊。
下一步：先確認 checkpoint 是否含多模態元件；不要把通用 LlamaForCausalLM 權重當成完整復現。
POSTER++：更簡潔且更強的臉部表情辨識網路
靜態表情基線
為什麼重要：POSTER++ 在 CAER-S 七類靜態情緒任務達 93.00% Accuracy，並利用臉部與場景脈絡。
帶走什麼：情緒不只存在於臉；完整畫面中的人物、場景與互動線索可顯著提升分類。
下一步：建立靜態影像 baseline 時，保留全畫面 context，並對照 ir50 與 landmark 設計。