截至 2026 年 9 月 7 日，我核对了 2025–2026 年 IEMOCAP 多模态情绪识别相关论文、出版社页面、会议官方页面以及可获得的实验表格。这里有一个非常重要的结论：

如果要求“真实发表 + IEMOCAP 标准 6 分类 + 实验协议写得清楚 + 指标可以较可靠地横向比较”，目前我更建议把 HJCAG 视为截至 2026 年 9 月的 SOTA 候选：Accuracy = 75.47%，Weighted-F1 = 76.84%。

但如果只按“论文中报告的最高数字”排序，有一篇 FAME-Graph 报告了 WA = 87.27%、WF1 = 86.59%。这个结果高得异常，而且其正式卷期是 2027 年 1 月，实验协议及其基线数值与主流 IEMOCAP-6 文献存在明显不可比问题。因此我不建议直接把 86.59% 写成公认的 IEMOCAP-6 SOTA。

下面是详细核查结果。

---

1. 我认为截至 2026-09 最稳妥的 SOTA：HJCAG

论文：

Shuqiu Tan, Chunsheng Tan, Yahui Liu.
“Hierarchical Joint Cross-Modal Attention and Gating Mechanism for Multimodal Sentiment Analysis.”
Computers, Materials & Continua, Vol. 88, No. 1, 2026.

DOI：10.32604/cmc.2026.077982

出版社记录显示论文于 2026 年 5 月 8 日正式发表，不是预印本，也不是我从二手博客中找到的虚假条目。(TechScience)

IEMOCAP 设置

论文明确使用 IEMOCAP 中常用的 7433 条 utterances、6 个情绪类别：

• Happy
• Sad
• Neutral
• Angry
• Excited
• Frustrated

也就是说，这是你问的 6 分类，而不是大量论文采用的 4 分类，也没有把 Happy 和 Excited 合并。(TechScience)

它同时明确写明：

所有报告结果均为 five-fold cross-validation 的平均结果。

评估指标为 overall Accuracy 和 Weighted-F1。(TechScience)

结果

方法	Accuracy	Weighted-F1
DialogueRNN	63.33	62.83
HAUCL	70.30	70.27
AdaIGN	—	70.74
MMTr	72.27	71.91
EmoCaps	73.67	73.01
SMFNM	70.82	70.94
MultiEMO	—	71.98
CFN-ESA	70.78	71.04
SDT	73.95	74.08
HJCAG	75.47 ± 0.22	76.84 ± 0.45

这些数字可以直接在出版社论文的实验表中核实。(ScienceDirect)

它的六类 F1 为：

Emotion	F1
Happy	67.24
Sad	86.15
Neutral	70.43
Angry	71.89
Excited	81.54
Frustrated	71.67
Weighted-F1	76.84

(ScienceDirect)

HJCAG 做了什么？

这是一个标准的 Text + Audio + Visual 三模态融合模型。

核心结构可以概括成：

单模态预训练特征 → 双模态 Joint Cross-Attention → 三模态 Joint Cross-Attention → Multimodal Gating → 分类器

其中：

1. 文本、音频、视觉分别提取高层特征；
2. 先在两两模态之间学习交互关系；
3. 再进行三模态联合交互；
4. 最后利用 gating mechanism 动态决定 T/A/V 各自贡献。

论文的消融实验也比较明显：去掉 bimodal joint、trimodal joint 或 multimodal gate 都会降低 IEMOCAP W-F1。(TechScience)

所以，如果你需要在论文里写一句比较稳妥的话，我会写成：

As of September 2026, among published multimodal emotion-recognition studies explicitly reporting six-class IEMOCAP results under five-fold cross-validation, HJCAG reports one of the strongest results, achieving 75.47% accuracy and 76.84% weighted F1.

我会用 “one of the strongest / SOTA-level”，而不是绝对声称“全球唯一 SOTA”，原因就是下面这个 FAME-Graph。

---

2. 为什么不能简单说最高是 76.84%：FAME-Graph 报告了 86.59%

我检索到了另一篇真实存在的论文：

Axel Gedeon Mengara et al.
“A graph neural network-based framework for fidelity-aware multimodal emotion recognition with modality-specific transformers.”
Expert Systems with Applications.

DOI：

10.1016/j.eswa.2026.133743

模型名字为：

FAME-Graph — Fidelity-Aware Multimodal Emotion Recognition with Graph Networks

论文页面确实存在于 Elsevier/ScienceDirect，不是杜撰文献。(ScienceDirect)

它也明确使用 IEMOCAP 六类：

Neutral / Happy / Sad / Angry / Excited / Frustrated。(ScienceDirect)

其三模态 T+V+A 结果为：

Metric	FAME-Graph
WA	87.27%
WF1	86.59%

六类 F1：

Emotion	F1
Neutral	90.61
Happy	93.67
Sad	77.01
Angry	88.50
Excited	86.24
Frustrated	82.15
WF1	86.59

(ScienceDirect)

如果只看论文中声称的数字，那么：

FAME-Graph 86.59 > HJCAG 76.84

而且差距达到接近 10 个百分点。

但我认为这里必须打一个很大的星号。

---

3. 为什么我不建议直接宣布“FAME-Graph = IEMOCAP-6 SOTA”

有三个原因。

第一，正式出版时间实际上是 2027

ScienceDirect 当前给出的正式 bibliographic 信息是：

Expert Systems with Applications
Volume 332, Part D
1 January 2027

尽管 DOI 中是 2026，相关记录在 2026 年已经上线，但正式卷期被分配到了 2027 年 1 月 1 日。(ScienceDirect)

因此：

• 若“截至 2026 年 9 月”包含 online-first / article in press：可以讨论它；
• 若严格要求“截至 2026 年 9 月已经正式卷期发表”：不能算进去。

这也是为什么我把 HJCAG 放在主答案里。

---

第二，更严重的问题是实验数值和传统 benchmark 明显不在一个尺度上

FAME-Graph 在自己的实验框架里报告：

• MulT：WF1 84.6%
• MMTM：83.9%
• FAME-Graph：86.59%

(ScienceDirect)

但在主流 IEMOCAP 六分类文献中，MulT 类方法通常根本不是 84–85% 这个量级。

例如 HJCAG 的同类 IEMOCAP-6 benchmark 大致位于：

70–77% W-F1

而 ICASSP 2026 的 APKD、ICLR 2026 的 DecAlign 也都在 73–74% 左右，而不是 85%。这意味着 FAME-Graph 很可能采用了不同：

• train/test split；
• 特征预处理；
• speaker partition；
• 上下文构造；
• 或重实现方式。

因此 86.59 和 76.84 不能简单认为是在完全相同 benchmark protocol 下的直接竞争结果。

尤其值得警惕的是：FAME-Graph 自己的 Table 4 称此前最佳约为 72.3%，但另一个 fusion-comparison 表又把其框架下的 MulT 做到了 84.6%。这进一步表明后者更像是在作者统一网络/特征框架中替换 fusion module 的实验，而不是直接引用标准 MulT benchmark。(ScienceDirect)

---

第三，论文虽然写了 speaker-independent，但没有像 HJCAG 那样清晰给出标准 5-fold 平均协议

FAME-Graph 表示使用：

“standard speaker-independent evaluation protocol”

并确保测试时是 unseen speakers。(ScienceDirect)

这是积极信号。

但从当前公开实验描述中，我没有找到像：

Session 1–4 train，Session 5 test，然后五个 session 轮换并平均

这样足够明确的 session-level protocol 描述。

所以在严格做 SOTA 表时，我不会把这篇直接和 HJCAG / GraphSmile / APKD 混在一个“绝对可比”的排名里。

---

4. 几个真实且值得作为基线的 2025–2026 方法

如果你要做论文 related work / benchmark table，我建议至少包含下面这些。

方法	年份/Venue	IEMOCAP	ACC/WAcc	WF1/WAF1	我的判断
HJCAG	CMC 2026	6-class, 7433, 5-fold CV	75.47	76.84	最稳妥的 SOTA 候选
APKD	ICASSP 2026	6-class multimodal	73.96	74.15	正式顶会论文
DecAlign	ICLR 2026	IEMOCAP 6-class	≈73.35	≈73.43	正式 ICLR + 开源代码
GraphSmile	TPAMI 2025	IEMOCAP multimodal	72.77	72.81	很重要的强基线
SDT	HJCAG 中统一实验	6-class	73.95	74.08	HJCAG 的 strongest baseline
FAME-Graph*	ESWA, formal issue 2027	6-class	87.27	86.59	最高 reported 数字，但协议/年份需单列

APKD 是真实的 ICASSP 2026 论文，官方 ICASSP 日程中可以查到 Paper #2580，2026 年 5 月 6 日 oral presentation；DOI 为 10.1109/ICASSP55912.2026.11463901。(ResearchGate)

它报告的 IEMOCAP：

• ACC = 73.96%
• WF1 = 74.15%
• 仅约 2.73M 参数

相对于 GraphSmile 的 72.77 / 72.81 有提升。(Nanless)

---

5. DecAlign 也值得特别注意

DecAlign: Hierarchical Cross-Modal Alignment for Decoupled Multimodal Representation Learning

Chengxuan Qian, Shuo Xing, Shawn Li, Yue Zhao, Zhengzhong Tu.

ICLR 2026

这篇也是真的，ICLR 官方论文列表和作者代码都可以核实；代码库明确设置：

text
dataset = IEMOCAP
num_classes = 6
selection_metric = WAF1

(GitHub)

其方法重点不只是普通 attention fusion，而是：

modality-common + modality-unique representation disentanglement

然后：

• prototype-guided optimal transport；
• multi-marginal transport；
• MMD latent distribution matching；

来处理不同模态的异质性。

它属于 2026 年比较有参考价值的 representation-alignment 路线，而不是简单堆 cross-attention。(GitHub)

---

6. 2026 年 9 月刚发表的两篇论文，也确实存在

我还专门检查了截至你要求日期最近的文献。

BiM-Multi

Biao Zhang et al.
“Bidirectional mamba enhanced multimodal fusion framework for emotion recognition in conversations.”

Engineering Applications of Artificial Intelligence
Volume 179, Part 2, 1 September 2026, 115133.

DOI：

10.1016/j.engappai.2026.115133

(ScienceDirect)

它使用：

• Visual：YOLOv5 + ResNet-101 / ViYorNet
• Text：EmoBERTa / RoBERTa
• Audio：WavLM
• Fusion：BiM-CrossAttn
• Temporal modeling：Bidirectional Mamba
• Loss：SWFC/Focal contrastive type loss

IEMOCAP 明确是 7433 utterances、6 类。论文称相较此前方法 IEMOCAP weighted-F1 提升 0.70 个百分点。(ScienceDirect)

但是目前 ScienceDirect 可检索文本没有完整暴露结果表中的最终 WF1，所以我没有用“0.70 improvement”去反推出一个数字——这样才能保证不给你编造实验结果。

---

BiT-MERC

Ping Liu, Yuan Zheng, Huadong Zhang, Shufeng Hao, Hui Song, Li Tang.
“Cross-modal dynamic fusion and grouped wavelet feature aggregation for multimodal emotion recognition in conversation.”

Applied Soft Computing
Volume 201, Part C, September 2026, 115725.

DOI：

10.1016/j.asoc.2026.115725

(ScienceDirect)

它也明确是 IEMOCAP 六类：

Happy / Sad / Neutral / Angry / Excited / Frustrated。(ScienceDirect)

主要结构为：

Text-guided Bidirectional Mamba + Cross-modal Dynamic Fusion + Grouped Wavelet Feature Aggregation (GWFA)。

出版社明确说它的 Accuracy 和 Weighted-F1 超过比较基线，但当前公开页面同样没有展示足够完整的 Table 1 数值，因此我也没有把它强行排在 HJCAG 前后。(ScienceDirect)

---

7. 因此，我给你的最终 SOTA 判断

如果你的用途是写论文、开题报告、毕业论文或构建自己的 baseline，我建议采用以下定义：

严格意义下、截至 2026-09 最适合作为 IEMOCAP 6-class SOTA 引用

HJCAG

Tan, S., Tan, C., & Liu, Y. (2026).
Hierarchical Joint Cross-Modal Attention and Gating Mechanism for Multimodal Sentiment Analysis.
Computers, Materials & Continua, 88(1).
DOI: 10.32604/cmc.2026.077982

IEMOCAP-6：

• Accuracy: 75.47 ± 0.22%
• Weighted-F1: 76.84 ± 0.45%
• 7433 utterances
• T + A + V
• five-fold cross-validation

论文及结果均可由出版社直接核实。(SciOpen)

如果导师问“那为什么网上有 86%？”

回答：

FAME-Graph 报告 WF1 = 86.59%，但应单独列为“highest reported result”，不能无条件称为与主流 IEMOCAP-6 benchmark 可比的 SOTA。

因为：

1. 正式卷期为 2027-01-01；
2. 其 baseline 在作者框架下的分数尺度与主流 6-class benchmark 差别很大；
3. 公开实验协议不足以证明它与常用 five-session/five-fold benchmark 完全等价。(ScienceDirect)

---

我建议你论文里的 SOTA 表最终这样写

Category	Method	ACC/WA	WF1	Status as of 2026-09
Comparable published IEMOCAP-6	HJCAG	75.47	76.84	Recommended SOTA reference
Strong conference model	APKD	73.96	74.15	ICASSP 2026
Strong representation model	DecAlign	73.35	73.43	ICLR 2026
Previous strong baseline	GraphSmile	72.77	72.81	TPAMI 2025
Highest reported, protocol caveat	FAME-Graph	87.27	86.59	Online 2026 / formal issue 2027; not directly comparable

所以，如果你现在准备复现一个 IEMOCAP 六分类模型，我建议把 76.84% W-F1 当作需要超越的“可信 SOTA 水平”，同时在论文中单独讨论 FAME-Graph 的 86.59%，不要直接把二者放在完全相同实验协议下比较。

如果你愿意，我还可以继续帮你做两件比较有价值的工作之一：① 整理一份 2020–2026 IEMOCAP 六分类多模态方法完整 SOTA 演进表（约 20–30 篇，含 DOI、模态、特征、split、ACC/WF1、代码地址）；② 专门筛选“有公开代码、可以真正复现”的 IEMOCAP-6 SOTA 方法，并告诉你哪个最适合作为你的毕业论文 baseline。

如果你希望，我也可以每月检查一次 IEMOCAP-6 是否出现超过 HJCAG 的新论文并提醒你。

可以。这个问题比 IEMOCAP 6 分类更容易出现“伪 SOTA”，因为所谓 IEMOCAP 4-class 至少存在三套不同评估口径。我重新核对了论文原文、出版社/会议官方页面和实验设置后，结论是：

如果你要求的是最常见、最适合论文横向比较的 IEMOCAP 4 分类协议：5531 条 utterances，Angry / Sad / Neutral / Happy+Excited，speaker-independent，并以 5-fold leave-one-session-out 的平均 WA/UA 为指标，那么截至 2026 年 6 月，我最推荐把 CFIA-Net 作为可信的 SOTA/强 SOTA 基准：5-fold WA = 80.67%，UA = 81.01%。

如果只看截至 2026-06 正式发表论文中的最高“数值”，LPGNet 报告 ACC = 87.99%、F1 = 87.96%，但它计算的是 one-vs-all 的平均二分类 Accuracy/F1，不是标准四分类 WA/WF1，因此不能直接说“标准 IEMOCAP-4 SOTA = 87.96%”。

另外，SMIN 报告过 4-class WF1 = 87.47%，但它是半监督方法并利用额外无标签数据，因此也应该和纯 IEMOCAP 监督学习结果分开比较。(DOI)

---

1. 最推荐作为标准 IEMOCAP-4 SOTA 基准：CFIA-Net

论文真实存在：

Ying Hu, Huamin Yang, Hao Huang, Liang He.
“Cross-modal Features Interaction-and-Aggregation Network with Self-consistency Training for Speech Emotion Recognition.”
Interspeech 2024, pp. 2335–2339.

DOI：10.21437/Interspeech.2024-1733

这是正式的 INTERSPEECH 2024 论文，ISCA Archive 可以直接查到论文、作者、页码和 DOI。(ISCA Archive)

CFIA-Net 官方 ISCA Archive 页面

实验协议

CFIA-Net 使用：

• Audio + Text
• Audio：emotion2vec
• Text：BERT
• speaker-independent
• 同时测试 5-fold leave-one-session-out
• 和 10-fold leave-one-speaker-out
• 指标：WA、UA、WF1

论文明确说明同时进行了 5-fold LOSO 和 10-fold LOSpeaker CV。(ResearchGate)

关键结果：

方法 / 协议	WA	UA	WF1
CFIA-Net，5-fold LOSO	80.67%	81.01%	—
CFIA-Net，10-fold LOSpeaker	83.37%	83.67%	≈83.43%

论文官方摘要把 10-fold 设置下的 WA 83.37%、UA 83.67% 称为 SOTA。(ISCA Archive)

但如果你是在写论文，我更建议引用 5-fold 的 80.67 / 81.01，因为 session-level LOSO 能保证整个测试 session 的两名说话人都没在训练中出现，协议更严格，也更适合作为 speaker-independent benchmark。

模型核心

CFIA-Net 的主要贡献是两部分：

Cross-modal Feature Interaction and Aggregation (CFIA)

让音频和文本在多个层次之间交互，而不是简单 concatenation，也不是只做一次 cross-attention。

再加：

Self-consistency Training

让深层特征监督浅层特征，在不额外训练一个 teacher network 的情况下实现类似自蒸馏的效果。官方论文明确把这两点作为核心贡献。(ISCA Archive)

所以如果你要找一个真实、实验协议比较干净、结果可靠、适合真正复现的 4 分类强基线，我目前最推荐 CFIA-Net。

---

2. 截至 2026-06 数字最高的新论文之一：LPGNet

这篇尤其值得注意，因为它是 2026 年 3 月正式发表的。

论文：

Zhining He, Yang Xiao.
“LPGNet: A Lightweight Network with Parallel Attention and Gated Fusion for Multimodal Emotion Recognition.”
Circuits, Systems, and Signal Processing, 2026.

DOI：

10.1007/s00034-026-03547-w

Springer 显示：

• Accepted：2026-02-14
• Published：2026-03-07
• Version of Record：2026-03-07

因此肯定属于你要求的“截至 2026 年 6 月”范围，而且不是预印本。(DOI)

LPGNet Springer 官方论文页面

IEMOCAP 设置

它明确采用：

5531 utterances

四类：

Angry / Happy / Sad / Neutral

其中：

Excited → 合并进 Happy

模态为：

Audio + Text

Audio 使用 emotion2vec，Text 使用 BERT-base-uncased。(DOI)

结果非常高：

Model	ACC	F1
Linear baseline	81.68	80.75
CFIA	83.37	—
LPGNet-Frame	83.87 ± 0.23	83.68 ± 0.34
LPGNet-Utterance	87.99 ± 1.29	87.96 ± 1.63

Springer 正文确实就是这个结果，不是二手网站杜撰。(ResearchGate)

---

3. 但我不建议把“87.96%”直接写成标准四分类 WF1 SOTA

这是整个检索中最重要的坑。

LPGNet 原文明确写道，其主要评价指标是：

average binary accuracy and F1-score

它对每一种情绪做：

one-vs-all classification

然后将四个二分类结果取平均。(DOI)

也就是说，它计算的更接近：

$$Angry \ vs.\ Others$$ $$Happy \ vs.\ Others$$ $$Sad \ vs.\ Others$$ $$Neutral \ vs.\ Others$$

然后取四者平均。

这和常见四分类模型一次输出：

$$y\in\{Angry,Happy,Sad,Neutral\}$$

所得的 WA / UA / multiclass weighted-F1 不是同一个指标。

所以：

LPGNet 87.96% F1 ≠ CFIA-Net 的标准 multiclass 83.x% WF1。

不能因为 87.96 > 83.43 就说 LPGNet 在完全相同 benchmark 下提升了 4.5 个百分点。

我建议你在论文里把它列为：

Highest reported result under one-vs-all evaluation

而不是：

“IEMOCAP 4-class standard WF1 SOTA”。

---

4. 还有一个非常高的真实方法：SMIN，WF1 = 87.47%

论文也真实存在：

Zheng Lian, Bin Liu, Jianhua Tao.
“SMIN: Semi-Supervised Multi-Modal Interaction Network for Conversational Emotion Recognition.”
IEEE Transactions on Affective Computing, 14(3), 2415–2429.

DOI：

10.1109/TAFFC.2022.3141237

正式发表在 IEEE T-AFFC，DBLP 也能核实卷、期、页码和 DOI。(DBLP)

它不是普通监督学习，而是：

Semi-Supervised Multi-modal Interaction Network

核心有：

• Intra-modal Interactive Module，IIM
• Cross-modal Interactive Module，CIM
• hierarchical recurrent contextual modeling
• hybrid multimodal fusion
• 额外 unlabeled data

这也是论文摘要明确说明的。(ResearchGate)

4-class 结果

ICASSP 2025 的正式论文 MERITS-L 在它的 SOTA comparison table 中明确列出：

Method	IEMOCAP 4-class WF1
LMFN	82.54
M3ER	82.40
SMIN	87.47
MERITS-L	86.48

而且该表明确注明：

All numbers are weighted F1-scores.

(arXiv)

所以 SMIN = 87.47% WF1 这个数并不是我猜出来的，后续 ICASSP 2025 论文确实这样引用。

但是存在一个关键条件：

SMIN 是半监督方法

它通过额外未标注数据进行 semi-supervised learning。

因此如果你自己的实验是：

“只允许 IEMOCAP train set，不允许额外 emotional data”

那么拿自己的结果和 SMIN 的 87.47% 直接比，不公平。

所以我会把 SMIN 定义为：

external-data / semi-supervised SOTA branch

而不是 standard supervised SOTA。

---

5. ICASSP 2025 的 MERITS-L：86.48% WF1

这篇也完全真实，而且很适合你的 related work。

Soumya Dutta, Sriram Ganapathy.
“LLM Supervised Pre-training for Multimodal Emotion Recognition in Conversations.”
ICASSP 2025.

DOI：

10.1109/ICASSP49660.2025.10889998

DBLP 明确记录它是 ICASSP 2025 正式会议论文。(DBLP)

它采用标准的四类：

• Angry
• Happy + Excited
• Sad
• Neutral

共 5531 utterances。

划分是：

• Session 2–4 → train
• Session 1 → validation
• Session 5 → test

所以它不是 5-fold LOSO，而是固定 Session-5 test split。(ResearchGate)

模型为 Audio + Text：

• Speech representation
• RoBERTa text representation
• GPT-3.5 提供预训练阶段的伪情感监督
• conversation-level contextual modeling
• co-attention multimodal fusion

最终：

IEMOCAP 4-class WF1 = 86.48%

(arXiv)

有意思的是，该论文自己也没有声称 IEMOCAP 第一，因为它明确写道：

SMIN 的 87.47% 比 MERITS-L 的 86.48% 高约 1 个百分点。

(arXiv)

这反过来也进一步验证了 SMIN 的 87.47 不是随意转载的数字。

---

6. CFIA-Net 为什么只有 80.67%，其他论文却动不动 87%？

核心原因不是单纯“模型差了 7%”，而是 evaluation protocol 不一样。

最典型的几种：

方法	四类设置	测试协议	指标	结果	是否可直接比较
CFIA-Net	Happy+Excited，5531	5-fold LOSession	multiclass WA/UA	80.67 / 81.01	推荐基准
CFIA-Net	同上	10-fold LOSpeaker	WA/UA	83.37 / 83.67	与5-fold不同
SMIN	4-class	semi-supervised + external unlabeled data	WF1	87.47	需注明额外数据
MERITS-L	Happy+Excited，5531	fixed Session-5 test	WF1	86.48	与5-fold不同
LPGNet	Happy+Excited，5531	speaker-independent setting	one-vs-all avg binary ACC/F1	87.99 / 87.96	指标不同
GS³-ICL	4-class	自身数据处理	WA/UA	78.92 / 79.88	数据有额外 curation

所以 IEMOCAP-4 没有一个脱离协议就可以说的单一 SOTA 数字。

---

7. 2026 年 6 月 15 日还有一篇最新的 GS³-ICL

为了确保“截至 2026 年 6 月”没有漏掉截止日期前刚发表的论文，我还核查了：

Yufan Zhou et al.
“GS³-ICL: Graph-Structured Sparse Selection with Invariance-Consistent Learning for multimodal SER.”

ICMR 2026

正式发表于：

2026-06-15

DOI：

10.1145/3805622.3810766

ACM 官方页面可核实。(DOI)

GS³-ICL ACM 官方页面

它是 Audio + Text + Visual 三模态，在 IEMOCAP 4-class 上：

• WA = 78.92%
• UA = 79.88%

(DOI)

它是真实的 2026 新方法，但性能没有超过上面的 CFIA-Net，而且论文还进行了少量 data curation，所以也不应该拿来宣布新的 IEMOCAP-4 SOTA。

---

8. 一个容易误认为 SOTA 的论文：Mul-TAB

论文真实存在：

Wu, Y., Zhang, S., Li, P.
“Improvement of Multimodal Emotion Recognition Based on Temporal-Aware Bi-Direction Multi-Scale Network and Multi-Head Attention Mechanisms.”
Applied Sciences, 2024, 14(8), 3276.

DOI：

10.3390/app14083276

(MDPI)

它报告：

• UAR = 81.92%
• WAR = 83.85%
• 5-fold

表面看 83.85% 比 CFIA-Net 5-fold 的 80.67% 高。(MDPI)

但论文正文描述的是：

“best WAR reaching 83.9%”
“best UAR reaching 82.0%”

也就是强调 best testing accuracy，而不是清晰报告五个 session 的平均值。(MDPI)

因此，如果你需要一个严谨可复现的 “mean 5-fold LOSO SOTA”，我不会优先选择它作为标准答案。

---

9. 我的最终结论

如果你是为了论文、毕业设计、博士/硕士开题或者复现 benchmark，我建议你按照下面的口径写。

推荐结论

标准、speaker-independent、可公平横向比较的 IEMOCAP 4-class：

CFIA-Net — Hu et al., Interspeech 2024
Audio + Text
4 classes: Angry / Sad / Neutral / Happy+Excited
5-fold leave-one-session-out:
WA = 80.67%
UA = 81.01%
DOI: 10.21437/Interspeech.2024-1733 (ISCA Archive)

如果采用作者同时测试的 10-fold leave-one-speaker-out：

WA = 83.37%, UA = 83.67%。(ISCA Archive)

若允许额外无标签数据

SMIN — IEEE T-AFFC
WF1 = 87.47%
但属于 semi-supervised / external-data 分支。(DBLP)

截至 2026-06 最高的“论文报告数字”

LPGNet — Springer, 2026-03-07
ACC = 87.99 ± 1.29%
F1 = 87.96 ± 1.63%
但指标为 one-vs-all average binary ACC/F1，不能直接等同标准四分类 WF1。(DOI)

因此，如果你接下来需要自己做 IEMOCAP 四分类实验，我建议目标至少设为：标准 5-fold LOSO 下 WA > 80.67%、UA > 81.01%；如果你的协议是固定 Session 5 test，则应该另外跟 MERITS-L/SMIN 比，而不要把这两套结果混在一起。

如果你需要，我下一步可以直接给你整理一张 “2019–2026 年 IEMOCAP 四分类多模态 SOTA 演进表”，把约 20 篇真实论文的 论文名、年份、Venue、DOI、A/T/V 模态、是否合并 Happy+Excited、5531 样本、数据划分、WA、UA、WF1、是否用外部数据、是否有代码 全部核对后放在一张表里。