Angelos-Nikolaos Kanatas

新指标评估音乐基础模型的层级以获得更好性能

研究人员对12个音乐基础模型进行了系统的层级分析，研究了它们内在的几何和基于变换的属性。研究发现，几个指标可以预测层级在流派分类和情感识别等任务中的质量，但这些指标在音调任务（如调性估计）上失败。为了解决这个问题，引入了一个新的音高移位等变性度量，它在不同模型家族中一致地指示了音调质量。研究结果表明，这些内在指标可以有效地指导音乐基础模型的层级选择，在低数据场景下甚至优于可训练的融合方法。