英文题目：Let the Model Learn to Feel: Mode-Guided Tonality Injection for Symbolic Music Emotion Recognition
会议身份：
conference:aaai:2026:conference-paper-id:37201
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#Adapter #听觉与音乐认知 #音乐 #音乐理解
评分：6.9/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Haiying Xia：机构信息未能从会议 PDF 纯文本可靠映射
- Zhongyi Huang：机构信息未能从会议 PDF 纯文本可靠映射
- Yumei Tan：机构信息未能从会议 PDF 纯文本可靠映射
- Shuxiang Song：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
符号音乐情感识别需从MIDI符号序列推断Russell四象限情感标签，难点在于MIDIBERT以掩码重建为预训练目标，缺乏对大小调与效价关联的显式约束，且情感标注数据稀少易受调性偏移干扰。该工作先做调式保持的单八度内整体移调增强诊断，对比原始与增强数据下MIDIBERT在官方划分上的表现以检验其是否内化调式情感规律。接着冻结主干仅微调单层自注意力与分类头做逐层探针，定位情感信息最弱的首层作为知识注入目标。然后用Krumhansl-Kessler算法经music21抽取每首乐曲的大小调先验并编码为独热条件向量，经FiLM条件网络生成缩放与平移参数对Compound Word嵌入做仿射调制后送入首层自注意力，使后续表示全程携带调式条件。相对仅微调MIDIBERT或堆叠分类头的做法，差异在于冻结语义主干而在瓶颈输入处做参数高效的音乐理论条件注入，并将FiLM初始化为缩放为1平移为0以保持预训练稳定，兼顾可解释性与稳定性。在EMOPIA评测任务下，本方法的准确率为0.752，高于MIDIBERT-Piano基线的0.634。结论适用边界受限于西方大小调体系与四分类效价唤醒划分，对多调式、非西方音乐及细粒度情感尚未验证。硬件为单张NVIDIA GeForce RTX 3090，训练成本为至多微调20轮且总时长不到30分钟，批量与早停策略均按原文设置执行。
🔗 开源与复现资源
- 代码相关资源：https://github.com/ZoeyHuang-paper/MoFi — 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？要解决的情绪识别任务是什么？
本文的输入是符号音乐，也就是以 MIDI 文件形式保存的音符序列，不是波形音频。读者可以把 MIDI 想象成乐谱的数字化版本，它直接记录什么时候出现什么音、音有多长、力度如何，因此保留了小节、节拍、音高、时值等显式结构。目标是从这种符号序列推断整段音乐表达的情绪，论文把情绪按 Russell 环形模型的 4 个象限划分，分别对应高兴、愤怒、悲伤、平静 4 个类别。每个样本是一段约 30 秒的钢琴片段或游戏音乐片段，模型要输出 4 个类别之一。
必须保留的关键信息是：任务在符号域进行，评价用准确率与宏平均 F1，数据集规模小是主要困难，调式是大调与小调的二分类先验。本文的输出是 1 篇可复述的技术解读，复述时要能说清样本如何从 MIDI 变成预测标签。对于刚入门的研究生，复述时抓住一条线即可：MIDI 变 CP 词，进 MIDIBERT，旁路提调式，经 FiLM 调制第一层，输出四象限情绪，证据是 2 数据集的准确率与消融下降。
初学者容易把符号音乐情绪识别等同于听歌识情绪。区别在于音频方法依赖频谱、音色等连续声学特征，而符号方法依赖离散的音符事件与乐理结构。论文选择符号路线的原因在原文中有明确交代：符号提供显式结构信息，可以像自然语言中的词一样处理，从而复用 BERT 类预训练范式。这意味着输入先被切分为复合词 token，再被 Transformer 编码，最后经分类头映射到情绪标签。理解这条链路是后续理解调式注入位置的前提。
术语分工是：CP 词负责把 MIDI 离散化为模型可读输入，MIDIBERT 负责提供通用音乐语义表示，调式独热负责提供与人类感知对齐的效价先验，FiLM 负责把先验以缩放与平移方式注入表示；组合原因是预训练只学分布语义而缺调式情感关联，故用轻量条件调制补齐而不改预训练主体。
音乐调式 × 效价： 音乐调式负责提供音程结构的先验分工，它把大调偏向明亮、小调偏向阴郁的统计规律编码为可用的条件信号；效价负责定义情绪标签中正负向的维度分工，它是 Russell 四象限里区分开心与悲伤的关键轴。二者搭配的理由是心理学证据显示调式是效价的主要听觉线索，组合意义在于让模型不再只从音符分布猜情绪，而是先知道调式再判断效价方向。
本节之后的学习依赖是：先知道情绪标签如何定义，再看已有预训练路线为什么不够，最后进入诊断与注入方法。初学者应记住两个事实：大调倾向高价态、小调倾向低价态是统计规律而非决定规则；移调保持音程关系时调式与情感色彩基本不变。这些事实是后文保调式增强合理性的心理学依据。
符号、调式、情绪三者如何对应到可操作变量？
为了把背景落到可操作变量，再梳理 1 次对应关系。符号侧的可操作变量是 CP token 的 4 个子事件：小节、位置、音高、时值，它们决定模型看到的离散输入。调式侧的可操作变量是独热向量，取值为大调或小调，由 Krumhansl-Kessler 算法从音高分布估计得到。情绪侧的可操作变量是四象限标签，由 Russell 模型的效价与唤醒象限映射而来。模型要学习的是从符号序列经调式条件到情绪标签的映射，FiLM 的参数正是连接调式与符号表示的桥梁。术语组合的原因是各司其职又正交可叠加：CP 词解决输入形式，MIDIBERT 解决通用语义，调式解决情感特异先验，FiLM 解决注入方式，缺任何一环都无法解释为何在第一层前调制能改善后续注意力计算。
初学者常问为什么不用 24 个调。原文的安排理由是减少噪声：调高变化带来的情感差异小，音程结构才是主要线索，且二分类更平衡。若将来扩展到 24 调，需要更大的数据与更细的评估，否则小类会更稀疏。另一个常问是为什么选第一层。原文的安排理由是探针显示第一层情感信息最少，且 NLP 先验认为首层注意力宽泛未分化，适合先加条件再让后续层传播。若复现者发现其他层更弱，应以自己的探针结果为准并报告差异。
本节重提结果时只保留定性递进，不另算差值：保调式增强的诊断显示原模型未内化调式情感关联，而在首层前做显式调式注入带来更明显的改善，两者指向同一缺口。这种从诊断到注入的递进是理解全文逻辑的关键，也是避免把增强与主结果混为一谈的提醒。
已有路线做了什么？为什么还缺调式？
符号音乐情绪识别的早期路线依赖手工特征加传统分类器，例如音高直方图、节奏密度、和声复杂度再接支持向量机。这类方法需要大量特征工程，且难以捕捉长程时间依赖。随后循环神经网络与卷积神经网络实现了从原始符号数据自动提取特征，但仍受限于标注数据规模。近年以 MIDIBERT、MusicBERT、PopMAG 为代表的大规模 Transformer 预训练模型采用先在大规模无标注 MIDI 上做掩码 token 预测、再在小规模情绪数据上微调的范式，在多个符号音乐理解任务上取得最好成绩。
论文指出这类预训练目标只要求重构被掩盖的 token，没有显式激励去学习调式不变性或调式依赖的情绪结构。因此模型可能记住的是训练数据中的表层共现，而不是可泛化的乐理知识。这是一个需要验证的判断，本文用两个诊断实验来验证，而不是直接断言。相关工作中的另一条线是音乐特征与情绪的心理学研究，多项实证显示大/小调区分是西方音乐中效价感知的主要线索，大调关联快乐、小调关联悲伤，且这种关联相对不受具体调高影响，是音程结构而非绝对音高起主要作用。
同输入、同目标、同监督下的对照应该是：同样吃 MIDI 符号、同样输出四象限情绪、在同样划分上微调的模型之间的比较。本文后文的主结果表正是这样组织的，对比了支持向量机、LSTM 注意力模型、MIDIGPT、多任务 MIDIGPT 与 MIDIBERT、双模态融合框架等可运行基线。初学者不要把音频情绪识别或无监督生成模型的分数直接拿来对比，因为输入模态与监督信号不同。论文的创新点不是提出新的预训练模型，而是在冻结的预训练骨干上定点补充调式知识。
与同类预训练方法相比，本文的改动点在哪里？
把本文放在预训练系谱中看会更清晰。MusicBERT 侧重八度不变等音乐不变性的预训练目标设计，PopMAG 侧重多轨伴奏生成，MIDIBERT 侧重通用的符号理解基准。它们都在预训练阶段做文章，需要大规模语料与算力。本文不改预训练，只在微调阶段加调式条件，相当于用领域知识做轻量适配。这与多任务学习同时预测情绪与其他属性的路线也不同，后者需要额外标注，而本文的调式标签来自无监督算法，无需人工标注。
运行阶段的对照也很重要。双模态融合方法同时用符号与音频，需要对齐 2 模态；本文只用符号与算法估计的调式，部署时只需 MIDI 与 music21，成本更低。但这也意味着音频中的音色、演奏力度细节未被利用，若任务对演奏表情敏感，纯符号路线可能吃亏。选择哪条路线应看输入条件与标注预算，而不是只看分数高低。
教学上可以这样记忆：预训练解决通用音乐语义，调式注入解决情感相关的特异先验，前者靠大数据，后者靠乐理小知识。两者正交，可以叠加。未来若有人提出更好的调式估计或更细的调式分类，本文的 FiLM 框架仍可复用，只需替换条件向量即可。
要回答的两个诊断问题是什么？
论文把大问题拆成两个可操作的小问题。第一，MIDIBERT 是否已经内化了调式与情绪的关联？如果已经学会，那么做保调式的数据增强不应带来明显提升；如果没有学会，扩充保调式样本应显著提高准确率。第二，如果确实缺失，缺失最严重的是哪一层？
这决定了显式调式知识应该注入哪里。两个问题分别对应数据增强诊断与逐层表示分析，构成后文调式增强策略的主体。
诊断的设计动作很具体。增强时把一个片段内所有音符统一向上或向下移动随机半音数，范围限制在一个八度内。由于所有音一起移动，内部音程关系不变，调式与情感色彩得以保留，但绝对音高分布发生变化。这相当于用乐理先验合成新样本，给模型提供任务相关的归纳偏置。探针时冻结预训练 MIDIBERT 的全部参数，只更新用于权重平均的一个自注意力模块与分类头，逐层评估情绪分类准确率。此时各层性能差异主要反映该层已编码的情感相关信息量。
教学例子：假设一段 C 大调的快乐片段被整体上移两个半音到 D 大调，人听起来仍然快乐，只是调高了。如果模型真正理解调式，它对移调前后应给出一致判断；如果它只是记住 C 大调片段的绝对音高，移调后就可能判错。这就是增强诊断的直觉。注意这只是一个帮助理解的例子，论文并未给出该单例的数值，实际证据是整体准确率的变化。
从 MIDI 到情绪标签的全景链路是怎样的？
全景链路可以沿一个样本走一遍。输入是一段 MIDI，先被转换为复合词 token 序列，每个 token 合并小节、位置、音高、时值 4 个子事件。token 序列进入嵌入层得到向量，再进入 12 层 Transformer 编码器，最后经注意力加权平均、展平与分类器输出 4 个情绪类别的概率。基线流程没有显式调式分支，完全依赖微调从分布语义中学习情绪映射。本文的方法在旁路增加调式提取与注入：用 Krumhansl-Kessler 算法从同一段 MIDI 估计大调或小调，编码为独热向量，再经 FiLM 生成调制参数，作用于嵌入层与第一层之间，使后续所有层的自注意力计算都在调式条件下进行。
下图给出无调式知识与有调式知识的两条路径对比，上支显示基线直接微调但在效价-唤醒坐标系中出现误判，下支显示加入调式旁路后续判恢复正确。读者应把该图理解为方法意图的示意，而不是性能证明，真正的证据在后文数字表中。
看图路径： 1. 先看上下两条主路径：上支只有原始 MIDI 到 CP 词再到大模型，下支多出提取调式的旁路；2. 再看右侧效价-唤醒坐标系中叉号与对号的位置变化，确认有调式知识后两类表情落点是否纠正；3. 最后看下方虚线框内大调明亮与小调阴暗的标注，确认本文只用二分类调式
论文图 1。原论文 Figure 1：“High-level overview of the proposed MoFi frame- work.”。
该图之后需要明确：调式分支不改变 token 切分，也不改变预训练权重的主体结构，它只在第一层前对表示做仿射调制。训练开始时 FiLM 的缩放初始化为 1、平移初始化为 0，相当于从原始预训练表示出发，再逐渐融入调式信息，以保持训练稳定。这种初始化是原文明确报告的安排，复现时必须保留。方法的总目标是在保留通用音乐语义的同时，补上与人类感知对齐的调式先验。
调式增强策略 × 调式引导注入框架： 调式增强策略负责诊断的分工，它用保调式移调增强和逐层探针找出模型缺什么、在哪一层最缺；调式引导注入框架负责修复的分工，它用 FiLM 把显式调式向量调制进最弱层。搭配理由是先定位知识缺口再定点补充，避免全模型盲目改动，组合意义是以很小的参数增量补上预训练目标没有激励学习的调式-情感关联。
调式如何提取？FiLM 如何计算？
调式提取是注入的前提。论文采用音乐信息检索中成熟的 Krumhansl-Kessler 算法，用 music21 工具包实现。该算法源于认知心理学，用音高分布与调式模板的相关性近似人类调性感知过程。对每首乐曲输出大调或小调的独热向量。原文明确只区分两种调式，理由有 3 层：大/小调的情感区分最显著，其他调式在语料中少见且情感轮廓不一致。
只用 24 个调高会引入噪声；四分类情绪任务中二分类调式更利于数据平衡与泛化。复现时不要自行扩展为多利亚或利底亚调式，否则偏离原文条件。
主干是 MIDIBERT 钢琴版，12 层、12 头、隐藏维度 768、共 111,000,000 参数，用已发布的预训练检查点初始化。输入的复合词 token 包含小节事件标记新小节边界、位置事件标记音符在小节内的相对位置、音高事件表示绝对音高、时值事件表示音符长度。四者共同编码时间与和声两个维度。编码器每层由多头自注意力与逐位置前馈网络组成，注意力用缩放点积计算长程依赖。
看图路径： 1. 先沿左上 MIDI 经 CP 词到嵌入层再到自注意力与分类器的主箭头走一遍；2. 再看左下调式提取框经 FiLM 框回到嵌入层与第一层之间的注入箭头；3. 最后看 FiLM 框内生成伽马与贝塔后分别经乘法圆圈与加法圆圈汇合的符号
论文图 4。原论文 Figure 4：“Architecture illustration of MoFi. Our method first extracts the mode knowledge (major/minor) of CP tokens using the Krumhansl–Kessler algorithm, which is then passed to the FiLM…”。
上图展示了左侧 MIDI 经 CP 词到嵌入层与自注意力层的主路，以及左下调式提取经 FiLM 回到第一层前的旁路。FiLM 框内先由调式向量经条件网络生成两组参数，再分别做乘法与加法汇合。注意图下方的图例区分了阿达马积与逐元素加和，读图时不要混淆两种圆圈符号。FiLM 的核心计算由下面两条公式定义，先看符号与输入，再看计算目标。条件向量是调式独热，输入特征是嵌入层输出序列，目标是生成逐维的缩放与平移。
\[[γ, β] = fcond (c)\]上式表示条件网络把调式向量映射为缩放与平移参数。实现上是一个小的参数生成网络，原文未给出其层数与激活细节，这是缺项，复现时只能按常规多层感知机实现并记录自己的选择，不应声称是原文结构。
\[FiLM (x, c) = γ ⊙x + β\]上式表示用生成的参数对输入特征做逐元素仿射变换，圆点为阿达马积。调制发生在复合词嵌入层与第一个 Transformer 编码器之间，之后所有表示都带有调式条件。与注意力注入相比，FiLM 更灵活且参数高效，适合向预训练结构植入针对性的领域知识。
复合词编码 × MIDIBERT： 复合词编码负责把同一时刻的小节、位置、音高、时值 4 个子事件合并为一个输入 token 的分工，它保留横向节奏与纵向和声的结构；MIDIBERT 负责用 12 层 Transformer 对这些 token 做掩码预训练表示学习的分工，它提供通用的音乐语义。搭配理由是符号音乐像语言一样是离散序列，组合意义是让预训练模型直接吃到结构化的音乐词，从而在其上做情绪微调。
缩放因子 × 平移因子： 缩放因子负责对输入特征做逐维乘性放大的分工，它决定哪些通道被强调或抑制；平移因子负责做逐维加性偏置的分工，它整体搬移激活分布。二者都由调式条件向量经条件网络生成，搭配理由是只用缩放容易不稳定、只用平移表达力不足，组合意义是构成 FiLM 的仿射调制，让大/小调以不同仿射参数重塑第一层输入表示。
训练如何组织？哪些参数更新、 supervised 信号是什么？
训练分为诊断阶段与正式微调阶段，两个阶段的冻结策略不同，必须分开记录。诊断的逐层探针阶段冻结除自注意力平均模块与分类头之外的全部预训练参数，目的是测量每层已有的情感信息。正式的 MoFi 微调阶段在 MIDIBERT 骨干上加入 FiLM 模块后进行情绪分类微调，监督信号是片段级的四象限情绪标签，损失为常规分类损失。原文未明确写出损失函数名称与优化器类型、学习率、权重衰减，这是缺项，复现时需要按 MIDIBERT 官方微调脚本补齐并注明是自己的选择。
已报告的训练细节包括：EMOPIA 与 VGMIDI 均按 8 比 1 比 1 划分训练、验证、测试，且同一首歌的所有片段必须在同一子集以防泄漏；EMOPIA 沿用 MIDIBERT 官方划分；批量大小在 EMOPIA 为 16、VGMIDI 为 8；最多微调 20 轮，在单张 RTX 3090 上总训练时间小于 30 分钟；验证性能连续 3 轮不提升则早停。
每个结果是 5 个随机种子平均以降低训练方差。FiLM 初始化为缩放 1、平移 0，保证从预训练表示平稳起步。
推理时对测试片段同样先提取调式独热，再经 FiLM 调制后走完整编码器与分类器得到预测类别。原文未报告推理延迟、吞吐或内存占用，因此不能声称轻量注入带来速度提升，只能说参数改动小。梯度路径方面，原文未给出是否冻结底层或只训 FiLM 与分类头的消融，正式实验默认是整体微调加 FiLM，复现时应先复现该默认设置，再自行探索冻结策略作为额外验证。
数据、划分、指标与硬件条件是什么？
EMOPIA 是流行钢琴片段集，包含 1087 个片段来自 387 首歌，每个片段约 30 秒，音频从网上收集再用高精度钢琴转谱模型转写为 MIDI，创作者抽查了音高、力度、时值并剔除了带环境效果影响转写质量的轨道。VGMIDI 是游戏音乐 MIDI 集，本文只用 200 首有标注曲目，每段由 30 名标注者按效价-唤醒维度打分，再映射到与 EMOPIA 一致的四象限。2 数据集的来源、音乐类型、划分比例等汇总是复现公平性的基础。EMOPIA 较大、VGMIDI 较小且更难，预期后者分数更低且方差更大。
指标是四分类准确率与宏平均 F1，方向都是越高越好。准确率反映整体判对比例，宏平均 F1 对 4 个情绪类别平均，能暴露小类被忽视的问题。聚合方式是 5 次随机种子平均，划分上保证同曲不跨集。硬件为单张 GeForce RTX 3090，训练预算小于 30 分钟，说明复现门槛不高。代码当前可用，官方仓库已公开，地址为论文扩展版本链接。
资源状态为 available，因此可以写当前可用。初学者复现时应先跑通官方 MIDIBERT 基线划分，再加入调式分支，避免同时改动多个变量。
需要提醒的边界是：VGMIDI 原始是效价-唤醒连续标注，映射到四象限会损失粒度；EMOPIA 的 MIDI 来自自动转写，存在转写误差；调式由算法自动估计，也存在估计误差。这些噪声都会影响情绪标签与调式先验的一致性，解读提升幅度时要留有余地。
主结果测了什么？相对谁提升了多少？
主结果要回答：在相同划分与相同四分类协议下，加入调式注入的模型是否优于已有的可运行符号音乐情绪识别方法。比较对象包括传统支持向量机、LSTM 注意力模型、MIDIGPT、多任务 MIDIGPT 与 MIDIBERT、双模态融合框架以及 MIDIBERT 钢琴基线。条件一致性方面，论文称结果与先前工作对齐，但各基线的超参数与划分细节并未逐一重跑说明，这是限制，解读时应聚焦与 MIDIBERT 基线的同源比较，而把跨架构比较看作参考。
下表整理诊断阶段保调式增强的效果，问题是模型是否已内化调式情感关联，公平条件是同一 MIDIBERT、同一划分、只改变是否做保调式移调增强，指标是准确率越高越好。表内数值为原文裸值，保留 2 位小数写法。
| 条件 | 指标 | 原始数据 | 增强数据 | 变化 |
|---|---|---|---|---|
| EMOPIA 同划分 | 准确率 | 0.675 | 0.723 | 增强更高 |
| 诊断含义 | 是否已学会调式 | 未充分内化 | 需显式补充 | 支持注入 |
| 适用范围 | 仅诊断阶段 | 基线微调 | 保调式移调 | 不替代主结果 |
| 报告方式 | 5 种子平均 | 是 | 是 | 方差已平均 |
| 后续动作 | 定位最弱层 | 第一层 | 注入 FiLM | 见探针图 |
表后解释至少 25 个汉字：增强后从 0.675 升至 0.723，提升约 4.8 个百分点，支持模型尚未充分捕捉调式情感规律的判断。代价是增强样本仍是合成移调，不能证明模型理解了调式概念，只能证明绝对音高记忆不足。未胜出项是原始数据训练的基线，它在该对照中落败，恰好成为注入方法的动机。该表不能替代主结果，主结果见下一张宽表。
主结果的宽表整理跨数据集的准确率与 F1，问题是调式注入相对基线带来多大可部署收益，公平条件是同为符号输入、同为四象限输出，指标方向均为越高越好。表内百分比保留原文 1 位小数写法。
| 数据集 | 指标 | 基线含义 | 本方法准确率 | 相对基线的提升 |
|---|---|---|---|---|
| EMOPIA | 准确率 | MIDIBERT 基线 | 75.2% | 11.8% |
| VGMIDI | 准确率 | MIDIBERT 基线 | 59.1% | 11.8% |
| EMOPIA | 宏平均 F1 | MIDIBERT 基线 | 待查 | 12.3% |
| VGMIDI | 宏平均 F1 | MIDIBERT 基线 | 待查 | 15.5% |
| 报告口径 | 5 种子平均 | 同划分 | 同划分 | 百分点提升 |
表后解释：本方法在 EMOPIA 达 75.2%、VGMIDI 达 59.1%，相对基线在两集上各高 11.8 个百分点，F1 分别高 12.3 与 15.5 个百分点，显示调式先验同时改善整体准确与类别均衡。代价是 VGMIDI 绝对分数仍不足 60%，说明小规模游戏音乐更难，调式不能解决全部误差。未胜出项包括传统支持向量机与部分 GPT 类基线，它们在两集上均低于本方法，但因预训练语料与编码不同，只能视为参考而非严格同条件胜负。百分点与相对百分比不同，此处按原文表述为百分点提升。
拿掉调式会怎样？哪一层最需要补充？
消融要回答：性能提升是否确实来自显式调式知识，而不是训练随机性或额外参数。论文比较完整模型与去掉 FiLM 调式注入的版本，其他条件保持一致。结果是去掉后两集性能明显下降，支持调式信息的正向贡献。早期表示学习阶段注入使模型获得原始结构学不到的调式感知，这是原文的有限解释，不是因果证明，因为未控制参数量与计算量的细微差异。
下图是逐层探针的结果，横轴为 1 到 12 层，纵轴为准确率百分比。每层只训注意力平均与分类头，主干冻结，因此柱高反映该层已编码的情感信息。读者可见第一层最低、中层最高、高层回落的形态。
看图路径： 1. 先看横轴 1 到 12 层与纵轴准确率百分比，确认评价范围与指标单位；2. 再比较第 1 层柱高与第 7 到第 8 层峰值的高度差，确认最弱层与最强层的位置；3. 最后沿折线看 2 到 6 层缓慢爬升、9 到 12 层回落持平的走势
论文图 3。原论文 Figure 3：“Performance of each MIDIBERT layer on EMOPIA dataset.”。
该图之后需要点出具体数字：第一层仅 43.12%，第二层跃升至 57.80%，第七层 65.14%、第八层达峰 66.97%，随后第九层 64.22%、第 10 至 12 层均为 63.30%。这支持把第一层作为注入目标的决策。限制是探针只更新顶部分类相关模块，低层分数低可能部分源于其表示更通用而非完全无用，因此选第一层是启发式而非最优性证明。论文未报告注入其他层的对照，这是缺项，复现时可补做以验证位置选择的稳健性。
保调式移调增强 × 逐层表示探针： 保调式移调增强负责从数据侧检验的分工，它把整段音符同移一个八度内半音数以保留音程关系，看扩充后性能是否大涨；逐层表示探针负责从模型侧定位的分工，它冻结主干只训注意力平均与分类头，看哪层情绪信息最少。搭配理由是一个看知识有没有被学到、一个看缺失发生在哪里，组合意义是共同指向在第一层注入调式的决策依据。
下表整理有无调式知识的消融对照，问题是调式分支是否必要，公平条件是同骨干、同划分、同训练预算，指标为准确率与宏平均 F1 越高越好。表内数值为原文裸值。
| 数据集 | 指标 | 完整模型 | 去掉调式知识 | 差异方向 |
|---|---|---|---|---|
| EMOPIA | 准确率 | 0.752 | 0.716 | 完整更高 |
| EMOPIA | 宏平均 F1 | 0.751 | 0.715 | 完整更高 |
| VGMIDI | 准确率 | 0.591 | 0.500 | 完整更高 |
| VGMIDI | 宏平均 F1 | 0.587 | 0.365 | 完整更高 |
| 含义 | 是否需要注入 | 需要 | 下降明显 | 支持调式作用 |
表后解释：去掉调式后 EMOPIA 准确率从 0.752 降至 0.716，VGMIDI 从 0.591 降至 0.500，F1 在 VGMIDI 从 0.587 降至 0.365，降幅在小数据集上更大，说明小数据更依赖先验。代价是消融未分离 FiLM 额外参数的影响，也未报告多次种子的方差条。未评测边界包括调式估计错误时的鲁棒性、多调式乐曲的处理，这些在原文中没有量化，复现时应记录错估样本的表现。
哪些结论还不能下？误解在哪里？
首先要区分报告、支持与推测。报告的是：在给定划分与 5 种子平均下，MoFi 在 EMOPIA 与 VGMIDI 上取得上述分数，且去掉调式后下降。支持的是：MIDIBERT 未充分内化调式情感关联，第一层情感信息最少。待验证的是：模型是否像人一样理解调式，论文的措辞是模仿人类感知，但证据只是分数提升，不能等同于因果理解或心理机制复现。
常见误解有三。其一，把增强后提升直接当作模型学会乐理，实际上增强只是暴露了对绝对音高的依赖。其二，把第一层分数低当作第一层无用，实际上低层表示通用，分数低是在只训顶层的探针协议下的相对结果。其三，把 75.2% 当作所有符号音乐通用，实际上 EMOPIA 是流行钢琴、VGMIDI 是游戏音乐且经连续标注映射，跨风格泛化未被评测。
缺失的验证包括：调式估计错误的误判率、不同注入层的对比、推理延迟与内存开销、跨数据集迁移、人听感评测。原文表头与正文在个别情绪象限描述上存在笔误风险，复现时应以 Russell 四象限的标准定义为准，并在报告中注明冲突。总体趋势不等于每类情绪都提升，原文未给出分象限混淆矩阵，因此不能断言哪类情绪受益最多。
要复现应先做什么？需要哪些配置？
复现的第一步是准备环境与数据。下载 MIDIBERT 钢琴版预训练检查点，保持 12 层、12 头、隐藏 768 的结构不变。按官方划分准备 EMOPIA 的 1087 片段与 VGMIDI 的 200 标注曲目，确保同曲不跨训练、验证、测试，比例为 8 比 1 比 1。用 music21 实现 Krumhansl-Kessler 调式估计，对每段输出大/小调独热。先跑通无 FiLM 的基线微调，批量 EMOPIA 用 16、VGMIDI 用 8，最多 20 轮、早停耐心 3 轮，记录 5 种子平均。
第二步加入 FiLM 分支。在嵌入层与第一层之间插入条件网络，输入为调式独热，输出为与嵌入维度相同的缩放与平移向量，初始化为 1 与 0。训练时从预训练表示出发，逐步学习调制。监督为片段级四象限标签，评估用准确率与宏平均 F1。代码当前可用，仓库地址为论文扩展版本链接，状态为 available，可直接获取。权重下载与系统可运行是两回事：有代码不等于一键运行，还需补齐原文未报告的优化器与学习率，复现者应固定自己的选择并公开。
第三步做核对。先复现保调式移调诊断，检查增强是否从 0.675 升至 0.723 左右；再复现逐层探针，检查第一层最低、第八层峰值附近的形态；最后复现主结果与消融，检查 EMOPIA 的 0.752 与 VGMIDI 的 0.591 以及去掉调式后的下降。若数值接近但不完全一致，优先检查随机种子、转谱版本与调式估计差异，不要改动划分来凑数。
何时值得尝试这种注入？下一步补什么验证？
当你的符号音乐任务标注少、但有明确乐理先验时，这种定点注入值得尝试。调式与效价的强统计关联使其成为情绪识别的低成本补充，尤其在小数据集上收益更大。当数据充足或风格远离大小调体系时，收益可能缩小，此时应先做保调式增强诊断，若无提升则不必注入。方法的优点是改动小、训练快、保留预训练语义；局限是依赖自动调式估计，且只用二分类，遇到转调频繁或多调式混合乐段可能失效。
下一步应补三项验证。一是注入位置对比，把 FiLM 分别放在不同层，检验第一层是否确实最优。二是噪声鲁棒性，人为翻转部分调式标签或加入转调片段，测量性能下降曲线。三是分情绪分析，给出四象限混淆矩阵，确认提升来自效价维度还是唤醒维度。这些都能帮助判断调式先验的适用边界。
回到中心矛盾：大模型能记住音乐分布，却不一定学到人类用调式感知情绪的理由。本文的价值在于用诊断定位缺口，再用轻量调制补上缺口，而不是堆更大的预训练。
⚖️ 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