Cet article se concentre sur la compréhension des émotions suscitées chez les interlocuteurs dans les énoncés conversationnels. Les études antérieures dans ce domaine se sont principalement focalisées sur une prédiction émotionnelle plus précise, tout en négligeant la robustesse du modèle face à des attaques adverses qui perturbent le contexte local. Afin de préserver la robustesse tout en garantissant une haute précision, nous proposons un détecteur d’émotions enrichi par un régularisateur de thèmes à attention complète, permettant ainsi d’obtenir une vue globale liée aux émotions lors de la modélisation du contexte local dans une conversation. Une stratégie conjointe de modélisation de thèmes est introduite pour implémenter la régularisation à la fois du point de vue de la représentation et de celui de la fonction de perte. Pour éviter une sur-régularisation, nous éliminons les contraintes imposées aux distributions a priori présentes dans les modèles de thèmes traditionnels, et réalisons des approximations probabilistes fondées exclusivement sur l’alignement d’attention. Les expériences montrent que nos modèles obtiennent des résultats supérieurs à ceux des modèles de pointe, tout en démontrant une robustesse convaincante face à trois types d’attaques adverses.