La detección de emociones se ha convertido en un campo de estudio en crecimiento, especialmente al ver su amplio potencial de aplicación. La investigación suele centrarse en la clasificación de emociones, pero el rendimiento tiende a ser bastante bajo, especialmente al tratar con categorías de emociones más avanzadas que están adaptadas a tareas y dominios específicos. Por lo tanto, proponemos el uso de las representaciones emocionales dimensionales valencia, activación y dominancia (VAD), en una tarea de regresión emocional. En primer lugar, hipotetizamos que pueden mejorar el rendimiento de la tarea de clasificación, y en segundo lugar, podrían utilizarse como un mecanismo pivotante para mapear hacia cualquier marco emocional dado, lo que permite adaptar los marcos emocionales a aplicaciones específicas. En este artículo, examinamos tres metodologías de transferencia entre marcos: aprendizaje multi-tarea, en el que la regresión y la clasificación VAD se aprenden simultáneamente; meta-aprendizaje, donde la regresión VAD y la clasificación de emociones se aprenden por separado y las predicciones se utilizan conjuntamente como entrada para un meta-aprendiz; y un mecanismo pivotante, que convierte las predicciones del modelo VAD en clases de emoción. Mostramos que las representaciones dimensionales pueden realmente mejorar el rendimiento de la clasificación de emociones, especialmente en el entorno de meta-aprendizaje (hasta un 7% de puntuación F1 macro en comparación con la clasificación regular de emociones). El método pivotante no pudo competir con el modelo base, pero una inspección adicional sugiere que podría ser eficiente, siempre que el modelo de regresión VAD se mejore aún más.