上下文学习让 LLM 预测音乐情感效价,R² 从 0.11 提升至 0.43
affige_yang · x · 2026-10-29
台湾团队(Chi-En Dai、Yi-Hsuan Yang 等)在 arXiv 发布论文,用上下文学习(ICL)改进音乐情感维度中效价(valence)与唤醒度(arousal)的连续预测。
方法:
- 不让 LLM 直接预测分数,而是用小规模任务专用基础模型给出初始预测,再借助辅助数据集的上下文示例进行修正
- 文本版 ICL 使用歌词与自动生成的音频描述;多模态版加入原始音频信号
结果(以 MER60 全集作为留出测试集):
- 文本 ICL 用 80 个示例将效价 R² 从 0.110 提升至 0.427
- 多模态版仅用 10 个示例即达 0.346
结论:免训练的 ICL 是当前 LLM 预测连续音乐情感的有效推理时策略。代码与权重已开源,论文投稿 ICASSP 2027。
「研究」频道最新
- NeurIPS 新工作 MASEM:面向目标条件 RL 的多样化机器人状态采样 — KyleMorgenstein · 2026-10-29
- 无需读论文：四步用本地小模型和 Claude 玩转 mech-interp — burny_tech · 2026-10-29
- MIT 团队拆解 Claude「全局工作区」：J-lens 平均后仅保留不足 10% 方差 — burny_tech · 2026-10-29
- J-lens 可直接读出神经元人格词，仓库即将开源 — burny_tech · 2026-10-29
- 研究者亲历:一个转向向量即可让 RLHF 模型持续输出违禁词 — voooooogel · 2026-10-29
- OpenAI 疑用 Lean 形式化数学猜想，尚无专家公开评估 — maier_ak · 2026-10-29