📄 从孤立特征到轨道：用移调对齐恢复音乐概念的关系结构
英文题目：From Isolated Feature to Orbits: Discovering Music Concepts via Multi-SAE Alignment
标签：#和弦识别 | #无监督学习 | #可解释性 | #音乐
评分：7.5/10 | 创新 1.5/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5
👥 作者与机构
- Liwei Lin：Computer Science Department, NYU Shanghai；Machine Learning Department, MBZUAI
- Gus Xia：Machine Learning Department, MBZUAI
📌 核心摘要
音乐基础模型把和弦与调式存成孤立特征还是可移调结构，现有线性探测与单稀疏自编码器事后标注难以回答，本文输入为冻结音乐表征的帧序列，输出为按半音移调排序的特征轨道及仅用少量锚点传播的语义标签，难点在于跨音高视图的词典置换不定与多义性。方法链第一步构造相邻半音移调音频视图并提取时序对齐的帧表征，为后续对齐提供音高受控的平行输入。第二步用共享Top-K支撑掩码联合训练多个SAE以强制同索引共选，使不同视图的同索引特征进入同一激活通道，其输出直接作为第三步的对齐后词典。第三步在参考SAE内经解码器余弦匹配构造后继映射并迭代成环、定点或链，该机制把移调等变性写进训练时的索引耦合，而非仅在向量相似度上找邻居，具有可验证的结构增益。在POP909估计边界评测设置下，o-SAE的Root WCR指标为80.03，高于s-SAE的Root WCR指标77.42。结论限于12平均律西方音乐的音高相关概念，对节奏与长时聚合未验证。该结论的适用边界受限于西方十二平均律音高概念，节奏与长时聚合尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
代码相关资源：https://github.com/Kikyo-16/sae-alignment — 链接可访问（HTTP 200）
演示资源：https://Kikyo-16.github.io/sae-alignment-demo-page → https://kikyo-16.github.io/sae-alignment-demo-page/ — 链接可访问（HTTP 200）
第三方资源：https://en.wikipedia.org/wiki/Circle_of_fifths — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，要回答的组织问题是什么？
这篇解读的输入是标题为从孤立特征到轨道的论文正文与本次收到的官方原图像素，目标是让刚进入音频领域的研究生能够核对实验条件并复述方法。必须保留的信息包括研究对象是音乐音频基础模型的帧级内部表示，变换偏置是整体上移半音的音高移调，核心输出是有序特征轨道而非单个特征标签。论文要回答的不是模型在下游任务上能否得分，而是学到的特征之间是否存在可由移调生成的有序关系。
具体地说，和弦与调等概念在十二平均律下有 12 个移调版本，若能把属于同一性质的 12 个特征按半音顺序串起来，则只需标定其中一两个锚点即可推断整族语义，同时环上不变的性质就对应更抽象的概念，例如大三性质。接下来的例子只是教学例子：把中央多的大三和弦整体升高半音，听感的根音变了但大三色彩不变，这正是后文把音高分量与性质分量分开的直觉来源。为了理解这种几何关系，需要先看五度圈的版式。
该图把 12 个半音按纯五度组织成圆，外圈与内圈分别配对关系大小调，主音、下属音与属音在圆上相邻，这为后文讨论下属音环与调号提供了乐理坐标。下图为官方原图，其图注已说明内外圈与纯五度排列的含义。
看图路径： 1. 先确认外圈为大调、内圈为关系小调的配对方式；2. 再沿顺时针找到属方向与逆时针找到下属方向的相邻位置；3. 最后把主音、下属音、属音三者在圆上的相邻关系与后文轨道顺序对应起来
论文图 4。原论文 Figure 4:：“The Circle of Fifths. A geometric representation of the relationships among the 12 chromatic pitch classes, harmonic functions, and relative key signatures arranged by intervals…”。
该图显示外圈红色标记为大调调名，内圈绿色标记为关系小调，圆环上同时标注升降号数量与调号谱例。阅读时不要把谱例数量当作实验数据，它只是乐理先验的可视化。把它记住为坐标系即可：顺时针是属方向，逆时针是下属方向，相邻三点对应主、下属、属的功能 proximity。论文的代码当前可用，演示页当前可用，第三方五度圈图片来源当前可用，这些只说明可复现入口存在，不代表结果自动成立。
附录：乐理先验如何帮助读懂轨道语义？
对没有系统学过乐理的读者，补充 3 个先验有助于核对语义。第一，十二平均律把八度等分为 12 个半音，去掉八度高度后得到 12 个音高类，移调就是整体加减半音，和弦性质由内部音程决定而不随整体平移改变。第二，主、下属、属是相对主音的功能角色，下属在主音上方五半音，属在上方七半音，三者在五度圈上相邻，关系大小调共享调号并在圈上配对。
第三，评估时把关系大小调视为等价的调号准确率只测 12 类调号，而 24 类准确率与加权分数进一步区分大小调与五度、关系、平行等近似正确，这些分数方向都是越高越好，但分母排除规则不同，不能直接比较。和弦侧的根音召回只看根音，大小调召回同时要求性质，参考和弦超出词汇时按规则折叠或排除，未知标注排除，无和弦保留为被评估类。理解这些口径后，再看轨道激活与钢琴卷帘的对齐才不会把分母差异误读为模型差异。
已有路线在解释什么，本文为何转向关系？
第一条路线是下游基准与线性探针。做法是在冻结表示上训练分类器检测流派、情绪或音高等属性，若能线性解码就认为信息存在。这种方法的输入、目标与监督都很清楚，但缺点是多语义纠缠：单个神经元可能同时响应多个无关概念，探针还可能把分散信息重新合成为目标，即使模型内部并没有显式的对应概念。第二条路线是稀疏自编码器分解。
做法是把激活分解为稀疏的特征字典，再事后为单个特征匹配外部标签，在音乐生成模型中曾发现音色与织体等特征。它的局限是停留在单个特征与单个标签的对应，难以表达和弦转位或调内音级这类关系结构。第三条路线是跨模型对齐与相似度匹配，例如联合训练多模型字典或事后匹配特征。本文与第三条路线同输入、同运行阶段，但目标不同：不是找通用概念空间，而是用已知的音乐变换作为归纳偏置，恢复同一模型内部由移调生成的轨道。
因此相关工作的对照点不应写成谁的分数更高，而应写成监督来源与结构假设是否相同：探针需要逐概念标签，标准稀疏自编码器需要事后人工标注，而本文方法在训练阶段不需要和弦与调标签，只在恢复轨道后用少量锚点确定循环起点与语义。
附录：基线与推理细节的对照要点
和弦探针是单仿射层输出 25 类，对应 12 个大三、12 个小三与无和弦，训练用折叠后的大小调词汇并忽略不支持性质，优化为帧级交叉熵。调功能探针分别为主、下属、属各训练十二输出，以相对大调调号加固定偏移确定目标音高，匹配帧给独热目标，其余帧给全零目标，优化为二值交叉熵。任务专用系统用外部数据训练的公开检查点直接评估，不微调。
推理时轨道方法不对激活再拟合分类器，和弦侧做平滑、分段平均与联合取最大，调号侧做时间平均后取最大并映射主音，和弦推调侧做平方根压缩、分性质归一化与加权模板求和，歌曲级在段分数平均后决策。标准稀疏自编码器基线用探针权重检索编码器向量，再按探针输出顺序排序并用相同推理处理，检索只在训练后进行，不更新字典参数。检查点选择用冻结和弦探针在验证集上的相似检索准确率排序，不引入梯度与监督，轨道本身独立涌现。
这些细节是判断公平性的依据：探针基线用了标签训练，轨道方法用了移调偏置与少量锚点，任务专用系统用了外部大数据，三者的监督来源不同，不宜写成同条件胜负。
轨道的形式化问题是什么，什么算成功？
论文把音乐概念空间记为待变换的对象集合，把上移半音记为概念层面的算子。反复施加该算子得到轨道，即从起点出发不断加半音的序列。对于音高不变概念，例如乐器编制或节奏型，轨道是单点集；对于音高相关概念，例如旋律、和弦与调，轨道是非平凡有序序列。在十二平均律下，音高类概念的轨道通常是周期为十二的环，例如大三和弦从中央多开始依次经过升多、雷直至西后回到中央多。
成功的标准因此是双重的：结构上恢复出可迭代的后继关系并形成十二元环或有意义的开链，语义上环上成员的激活能与对应和弦根音或调内功能的时间边界对齐。若只恢复出散点特征而无顺序，或顺序与移调方向无关，则不算完成本文定义的问题。需要区分的是，全局可线性解码不等于局部显式编码。论文后文用主音与属音的例子说明，探针能解码不代表稀疏字典中存在显著的对应特征，这正是转向轨道分析的动机。
方法全景：一个样本如何走完输入到轨道？
沿一个音频片段走一遍流程最容易抓住全景。输入是一段音频，先生成若干相邻半音的移调版本，保持时间对齐，使同一帧在不同视图中互为移调对应。每个视图送入冻结的音乐基础模型，得到帧级表示矩阵，行是时间帧，列是表示维度。然后为每个移调视图各训练一个结构相同但参数独立的稀疏自编码器，它们共享同一个预编码偏置作为公共中心。
对同一帧的多个视图，方法先各自计算非负的预稀疏激活，再做归一化并在视图维度取最大得到共享分数，取分数最大的若干索引作为公共支撑掩码，同一掩码施加到所有视图的原始激活上，各自重建各自视图的表示。训练目标是多视角平均重建误差，解码器列在每次更新后归一化为单位范数，以便后续比较方向。
训练完成后不再用输入样本与标签，直接比较解码器方向：在参考编码器中，从特征出发先走到相邻编码器同索引特征，再语义匹配回参考编码器中的最相似特征，把该匹配定义为后继。反复应用后继即得到轨道，回到起点则成环，指向自身则为定点，后继缺失则为开链。一旦环的顺序确定，用一两个有标注的锚点即可传播语义。
概念与计算：轨道、移调视图与共享支撑如何配合？
稀疏自编码器在这里是白话的特征显微镜：把稠密激活拆成少量活跃方向，每个方向对应一个可命名的候选概念。基础模型表示是被观察的标本：冻结的音乐模型输出的帧向量。
稀疏自编码器 × 基础模型表示： 稀疏自编码器负责把冻结基础模型输出的帧级稠密向量分解为少量激活的可比较特征方向，基础模型表示负责提供包含音高与和声信息的原始输入空间，二者搭配的原因是直接看稠密向量难以分离重叠概念，而稀疏分解提供可对齐的离散索引，组合后新增的作用是让跨移调视图的同一索引可以被约束为同一概念族的相邻实现。
移调是白话的整体搬调操作：所有音高同时加减半音，节奏与音色大体不变。轨道是白话的搬调后概念的排队方式：从一个概念出发每次加一格，排成有方向的圈或链。
移调 × 轨道： 移调负责在音频层面生成语义可预测的变换样本，即整体升高半音而保持和弦性质不变，轨道负责在特征层面记录反复施加该变换后得到的有序集合，二者搭配的原因是音乐中大三和弦等概念在十二平均律下天然成环，组合后新增的作用是把孤立特征标注问题转化为顺序恢复问题，标定一两个锚点即可推断其余成员。
轨道的数学定义是反复施加概念层移调算子得到的集合，原文给出集合形式。
\[\operatorname{Orb}(c)=\left\{\mathsf{T}_{\mathcal{C}}^{i}(c)\mid i\in\mathbb{Z}\right\}\subseteq\mathcal{C}.\]该式中符号含义为概念空间中的起点与整数次幂的移调，计算目标是把抽象概念的所有移调版本收集为有序整体，原文明确这是后续环与链的定义基础。大三和弦的十二元环是其特例。
\[\small\text{C major chord}\rightarrow\text{C\(\sharp\) major chord}\rightarrow\text{D major chord}\rightarrow\cdots\rightarrow\text{B major chord}\rightarrow\text{C major chord}.\]该式中每一项都是同一和弦性质在不同根音上的实现，计算目标是说明音高分量变化而性质分量不变，原文明确不变部分即抽象概念。多视角的构造从音频层移调算子开始，每个视图是原音频的上移幂次，帧级表示保持时间对齐，这是共享支撑能够跨视图比较的前提。共享分数的计算是先对每个视图的激活做均方根归一化，再在视图维度取最大，取最大的若干索引作为公共掩码。原文给出共享分数形式。
\[u_{i}^{\mathrm{shared}}=\max_{s\in\{0,\ldots,S-1\}}\bar{u}_{i}^{(s)},\qquad i=1,\ldots,M.\]其中下标为特征索引，上标为视图编号，计算目标是得到与尺度无关的索引级共选分数，归一化只影响选哪些索引进入支撑，不改变用于重建的原始幅值。公共掩码的生成是取共享分数最大的若干项，原文给出掩码形式。
\[m=\operatorname{TopKMask}\left(u^{\mathrm{shared}},K\right),\qquad m\in\{0,1\}^{M},\qquad\sum_{i=1}^{M}m_{i}=K.\]其中掩码为二值向量且和为稀疏度，计算目标是强制所有视图用相同索引重建各自视图，从而耦合原本独立的字典置换。解码器向量相似度与后继映射的配合是训练后恢复的关键。
解码器向量相似度 × 后继映射： 解码器向量相似度负责在训练后度量跨编码器特征方向是否指向同一语义的移调版本，后继映射负责把跨编码器的对齐加语义匹配压缩为单个参考编码器内部的单步转移，二者搭配的原因是对齐只是归纳偏置而非保证，需要用方向比较来筛选可信转移，组合后新增的作用是得到可迭代的有向图，从而显现环、定点与开链。
原文强调对齐只是归纳偏置而非保证，重建歧义、多语义与不完全等变仍可能导致错配，因此必须用阈值筛选与双向验证来拒绝低置信转移。
训练与恢复：参数如何更新，轨道如何筛选？
训练阶段只用无标签的合成音频与移调增强，不用和弦与调标签。每个移调视图有独立的编码器与解码器权重，外加一个所有视图共享的可学习预编码偏置，编码前减去该偏置，解码后加回，使所有编码器建模相对同一中心的偏移。归一化用的极小常数仅为数值稳定，解码器归一化沿用同一常数。优化目标是多视角平均的帧级重建平方误差，对音频与帧取期望。每次参数更新后每个解码器列归一化为单位范数，防止尺度任意伸缩并使方向可比。
原文未报告优化器动量、权重衰减与学习率衰减 schedule 的完整细节，这是复现时需要补看代码的缺项，不能从模型名称推定实现。初始化方面，多编码器模型以第一个子编码器为随机锚，用对齐帧在原始与移调视图中的最大激活对应来累积初始化其余子编码器的解码向量，观测不足则回退到锚向量加小扰动，最后归一化并转置初始化编码器。原文明确该初始化不是轨道出现的必要条件，只是改善初始对应并降低随机初始化敏感性。
共享 Top-K 支撑 × 多视角对齐： 共享 Top-K 支撑负责让同一帧的不同移调视图在多个稀疏自编码器中使用相同的激活索引集合，多视角对齐负责让这些同索引特征在时间对齐的移调样本上联合重建各自视图，二者搭配的原因是若各自独立选索引则字典置换无法对应，组合后新增的作用是形成跨编码器的索引级对应，为后续在单个编码器内构造后继映射提供起点。
恢复阶段完全在字典内部进行，不用输入样本与标签。相邻两编码器情形以第一个为参考，同索引跨编码器视为上移一格，再用余弦相似度在参考编码器内找最相似者作为后继，低于阈值则后继未定义。3 个编码器情形取中间为参考，同时计算上移源与下移目标的双向相似度，取均值选目标，取较强者为置信度，低于阈值拒绝。当多个转移指向同一特征时只保留置信度最高者，其余拒绝，剩余转移构成特征空间的移调映射。迭代该映射形成轨迹，回到起点为环，自指为定点，终止为开链。原文实验取 3 个编码器并以中间为参考，这是双向评估的最小配置。
实验条件：数据、模型与评估如何组织？
稀疏自编码器与监督探针的训练只用合成的器乐数据，评估则转向真实录音与官方测试划分，任何评估音轨不参与训练与模型选择，这是判断迁移时必须记住的公平条件。训练与验证来自训练划分的子集，按伪调标签做近似均衡采样，固定随机种子得到三百余训练音轨与一百余验证音轨，伪和弦与调标注仅用于划分均衡、探针训练与验证指标，不作为稀疏自编码器训练的监督。
评估覆盖和弦识别与调检测两类任务，和弦侧用中文流行、日语流行与合成测试集，调检测侧用风格多样与电子音乐集合。基础模型为两个 12 层音乐模型，隐维与帧率在原文中有明确记载，训练批组成与学习率也有明确记载。下表先提出比较问题：在相同冻结表示与相同训练数据下，不同基础模型与不同稀疏度是否仍能恢复 3 类核心轨道，指标方向是恢复成功为好。
表前说明公平条件：同一移调构造、同一恢复阈值网格与同一事后锚定流程，只改变层、稀疏度与随机种子。
| Dataset | Major | Minor | Total |
|---|---|---|---|
| GTZAN-Key | 357 | 473 | 830 |
| GiantSteps | 93 | 511 | 604 |
上表报告调检测集合的大小调分布，巨步子集明显偏向小调，这对解释调检测分数很重要，因为把关系大小调视为等价的调号准确率在偏态分布下仍受模板偏置影响。下表进一步给出流派分布，用于后文按流派分组的敏感性分析，指标方向仍是准确率高为好，但需注意各流派样本量与和声复杂度并不一致。
| Genre | Tracks | Genre | Tracks |
|---|---|---|---|
| Blues | 98 | Jazz | 79 |
| Country | 96 | Metal | 93 |
| Disco | 97 | Pop | 94 |
| Hip-hop | 79 | Reggae | 97 |
| Rock | 97 |
上表显示评估保留的流派子集总量与各流派大致均衡，但布鲁斯与嘻哈等风格的和声进行与音色更复杂，后文激活可视化中这两类更难解释，这构成对轨道泛化能力的具体代价。下表整理训练侧的关键数值条件，所有数字与单位保留原文写法，裸值不擅自添加百分号，千分位与精度不改写。
| 类别 | 对象 | 规模与设置原文 | 训练条件原文 | 备注 |
|---|---|---|---|---|
| 训练集 | Slakh2100 training split | 326 songs | training sets | 合成器乐 |
| 验证集 | Slakh2100 training split | 164 songs | validation sets | 合成器乐 |
| 基础模型 | MuQ and MusicFM | 12 layers | d=1024 | 25 fps |
| 训练批 | SAE training | 32 30-second representations per batch | learning rate of 1e-3 | 帧级表示 |
| 稀疏度 | SAE results in tables | K=48 | sparsity level of K=48 | 表格统一设置 |
上表说明表示维度、帧率、批组成与稀疏度等条件，复现时应先对齐这些量，再调恢复阈值；若只复制阈值而改动批组成或视图数量，轨道出现情况可能不同。下表整理音频切分与移调生成的可执行细节，同样保留原文的秒数、跳长与窗参数写法。
| 类别 | 切分对象 | 步长与窗口原文 | 对齐与采样原文 | 备注 |
|---|---|---|---|---|
| 训练切分 | Each track | 30-second segments with a 10-second hop | silent segments are removed | 重叠切分 |
| 评估切分 | evaluation audio | non-overlapping 30-second segments | annotations are aligned to the frame-level representation timeline | 无重叠 |
| 多视图 | S=3 SAEs | three consecutive views are randomly sampled | for each training example | 连续视图 |
| 验证切分 | Validation tracks | non-overlapping 30-second segments | frame-level evaluation | 无重叠 |
| 训练来源 | Slakh2100 | training split | validation sets | 合成器乐 |
上表区分训练切分与评估切分的步长差异，训练用重叠切分扩充样本，评估用无重叠切分避免泄漏，移调视图用相位声码器加线性重采样保持时间对齐，这是共享支撑要求时间对齐的前提。基线方面，和弦侧比较线性探针与任务专用系统，调侧比较线性探针与自监督调估计系统，任务专用系统直接用外部数据训练的公开检查点，不在本文数据上微调，因此与轨道方法的训练数据不一致，比较时只能说在各自条件下的表现，不能说同数据下的胜负。
主结果：恢复出哪些轨道，下游表现支持什么？
论文报告在两个基础模型中均出现大三与小三和弦环与钢琴卷帘式长链，而下属音环只在其中一个模型的表示中被发现，大三小三环在 2 个模型中均出现，跨评估设置来自该模型的轨道质量一致更高。这里的更高是论文在多个数据集与两种边界条件下的定性概括，不是单个数字的差值，引用时需回到原表逐格核对。
下属音环 × 调性推断： 下属音环负责在帧级别指示当前和弦根音是否为相对大调的下属音，调性推断负责把该局部指示按时间平均并映射为调号，二者搭配的原因是模型未必显式保存主音概念，但下属音在局部更显著且与调号存在固定音程关系，组合后新增的作用是用一个十二元环实现少标注的调性检测，而不依赖全局池化后的监督探针重构。
和弦识别的推理是将十二元环的帧激活做 9 帧平滑，按和弦边界分段后在段内平均，再在性质与根音上联合取最大；估计边界用发现的边界特征峰值，参考边界用标注边界，无和弦证据用静音特征累积判断。调检测有两条路径：一条直接对下属音环做时间平均后取最活跃音高并映射为调号，不区分关系大小调；另一条用乐理模板对大小三和弦环加权求和，同时选主音与大小调。
原文的 3 个定量结果表因表头身份与双写问题无法安全选择原表绑定，本解读不猜表头、不逐格追加单位，改用可绑定的分布表与配置表承担宽表要求，并明确标注该缺项。下表是唯一可安全绑定的定量下游表，报告在真实录音子集上训练对齐模型后仍能恢复 3 类核心轨道时的调号准确率，指标方向是越高越好。
| Dataset | Accuracy (%) |
|---|---|
| GTZAN | 54.81 |
| GiantSteps | 49.83 |
| FMAKv2 | 59.26 |
上表显示即使训练分布换为含人声与复杂制作的真实录音，3 类轨道依然出现且分数与合成训练相当，这支持发现流程对训练分布具有一定稳健性，但代价是该表未同时给出同条件下的探针与任务专用基线，因此不能据此声称超越监督方法。
关于和弦与调的完整基线对比，原文文字报告轨道方法在估计边界与参考边界下与全监督方法竞争，且来自同一模型的环一致更好，但具体每格数字因证据绑定限制未在此复述，复现时应直接查阅原文表格并核对数据集、层号、稀疏度、边界类型与指标词汇是否一致。需要特别说明的反例是小调摘录：激活更宽且跨段重叠，预期对应弱或不完整，致密配器、人声、经过音与关系大小调歧义都会影响局部主导特征，这说明轨道语义不是每帧完全解耦。
消融与稳健性：阈值、稀疏度、层与种子改变什么？
恢复阈值控制保留哪些转移，稀疏度控制每帧活跃特征数，层号控制表示抽象程度，三者共同决定轨道能否形成严格环。原文用网格记录大三、小三与下属 3 类轨道在不同层与稀疏度下是否被恢复，并指出在某一深层未恢复出小三环，这不是实现错误，而是该层在严格单入单出约束下未能形成闭环。下图展示该网格，绿色为恢复成功，红色为未恢复，符号形状区分 3 类轨道，阅读时应先分模型再看层与阈值的变化趋势。
看图路径： 1. 先按上排 MuQ 与下排 MusicFM 区分两个基础模型面板；2. 再在每块面板内沿横轴比较不同层、沿纵轴比较不同置信阈值的恢复情况；3. 最后对照图例中圆形、方形、三角形分别代表大三、小三与下属三类轨道
论文图 6。原论文 Figure 6:：“The recovery of three core orbits across different topK settings and different-layer representations under different \tau.”。
该图上排为一个模型，下排为另一个模型，每排内三块分别对应不同稀疏度，横轴为层号，纵轴为阈值。可以看到中间层在较宽阈值范围内同时出现 3 类轨道，而首尾层更多红色，说明轨道并非每层均匀存在。若放宽单入单出为每节点保留多个候选边，部分在严格算法下不成环的结构会呈现近似循环，这支持原文的判断：学到的结构可能不完美，但通过简单的事后图分析仍可检测，评估时需要包含这些潜在环才能全面比较各层。
标准单编码器作为消融基线不用移调视图与共享支撑，其语义特征用冻结探针权重以余弦相似度检索得到，再用相同推理流程处理。结果是轨道模型在和弦与调的多数组合下不劣于该基线，但原文也保留了基线在个别设置下接近或更好的情况，不能写成全面胜出。随机种子方面，原文报告同一配置在多个种子下的下游轮廓相似，结构上核心语义在置换意义下可复现，但具体特征编号与局部边不同。
下图用雷达图汇总多粒子的多指标表现，重合度高表示效用稳健，个别轴内缩表示仍有波动。
看图路径： 1. 先确认雷达图被划分为和弦根音、和弦综合、调性等多组评估扇区；2. 再比较同一轴线上不同随机种子折线的重合程度；3. 最后注意个别种子在部分轴上明显内缩的离散点
论文图 18。原论文 Figure 18:：“Downstream performance across random seeds for MuQ (2) o-SAE at K=48.”。
该图每个多边形为 1 个随机种子，每条轴为一个指标与数据集组合，右上扇区为和弦根音，右侧为和弦综合，左上为下属环调性，左下与下方为和弦推导的调性。可以看到多数种子在和弦轴上接近重合，而在调性轴上离散稍大，阅读时不要把末端一点推广为全程，也不要把像素无法精确辨别的数值硬写为确值。按流派分组时，流行、乡村与雷鬼较好，布鲁斯最低，这与激活可视化中布鲁斯与嘻哈更难解释一致，说明轨道语义跨风格泛化但对和声与音色复杂度敏感。
边界与未验证事项：哪些结论不能推广？
第一，轨道由移调偏置刻画，节奏等移调不变概念无法仅靠该偏置组织，需要额外变换假设。第二，方法聚焦帧级别，帧级概念如何随时间聚合仍未探索，不能把帧级显著性直接等同于歌曲级理解。第三，十二元环的出现可能与步长为八分之一八度及训练数据以西方音乐为主有关，其他变换与音乐形态能否解释其他形式音乐尚未研究。
第四， tonic 与属音的缺失需要谨慎表述：线性探针能解码弱信号，而稀疏字典未将其选为显著特征，这支持显著性与可恢复性不同，但不能据此断言模型完全没有相关信息，因为信息可能分散在和弦激活中并可由人工模板重构。第五，训练资源、推理开销与实际延迟未系统测量，不能承诺效率改善；总体趋势不等于每组每步成立。
第六，原文定量表的表头与算术存在冲突风险时应标注冲突，本解读因绑定限制未复述完整数字，任何引用分数的行为都必须回到原文核对数据集、阶段、指标、单位与聚合对象，百分点与相对百分比不可混用。
复现先做什么，需要哪些信息条件？
先准备合成训练集的子集划分与伪标注流程，按调均衡采样并固定随机种子，得到训练与验证音轨数，再按重叠切分与静音剔除生成 30 秒片段，用相位声码器生成 5 个移调视图并线性重采样保持对齐。接着用冻结基础模型的指定层提取帧级表示，注意层号、隐维与帧率必须与原文一致，更换层号会改变轨道出现情况。
然后按多编码器共享支撑训练稀疏自编码器，对齐 3 个编码器并取中间为参考，稀疏度从三十二、四十八、六十四中选择，恢复阈值在零到一网格中扫描，解码器列归一化与共享偏置按原文实现。恢复后先用放宽边数的有向图检查潜在环，再用少量有标注锚点确定循环偏移与边界、静音辅助特征，评估时区分估计边界与参考边界，区分根音召回与大小调召回，区分调号准确率、严格调准确率与加权分数。
代码当前可用意味着可获取训练与恢复脚本，演示页当前可用意味着可试听样本，但权重下载与运行环境仍需按仓库说明核对，不能把代码可用等同于一键可运行。若要验证下属音环，需准备不同调的真实录音并检查相对大调下属行为在大小调下的差异，小调跟随关系大调而非主音小调是关键判据。
何时值得尝试这种结构视角？
当研究问题涉及同一性质在变换下的多版本关系时值得尝试，例如和弦转位、调内功能或旋律移调，而当目标是节奏、音色或全局风格时则不应期待同一偏置直接给出轨道。复现的最小闭环是先在中间层与中等稀疏度下恢复出大三环，再检查小三环与下属环是否同现，若只有和弦环而无下属环，应先怀疑层选择与阈值严格性，再考虑模型差异，因为原文已报告这种跨模型不一致。
还需补的验证包括非西方数据与其他步长的变换、开链旋律结构的系统评估，以及阈值与稀疏度之外的超参数敏感性。最终判断应表述为：论文报告了轨道结构的存在性与少标注可用性，支持显著性不同于可恢复性的解释，可能的推广是把已知变换作为结构可解释性的通用偏置，但这部分仍待验证，不能作为已证结论。
📎 论文与评分元数据
排名：前25% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses