让模型学会感受：模式引导的符号音乐情感识别中的调性注入

音乐情感识别是符号音乐理解（SMER）中的关键任务。最近的研究表明，通过微调大规模预训练模型（如 MIDIBERT，这是符号音乐理解基准中的一个模型）将音乐语义映射到情感标签方面取得了有前景的成果。虽然这些模型有效地捕获了分布式音乐语义，但往往忽略调性结构，尤其是音乐模式，而根据音乐心理学，模式在情感感知中起着关键作用。在本文中，我们调查了 MIDIBERT 的表征能力，并识别出其在捕获模式-情感关联方面的局限性。为此，我们提出了一种模式引导增强（Mode-Guided Enhancement, MoGE）策略，将心理学见解纳入模型。具体而言，我们首先进行了模式增强分析，发现 MIDIBERT 未能有效编码情感-模式相关性。随后，我们识别出情感最不相关的那一层，引入一种模式引导特征线性调制注入（Mode-guided Feature-wise linear modulation injection, MoFi）框架，以注入显式的模式特征，从而增强模型在情感表征和推断方面的能力。在 EMOPIA 和 VGMIDI 数据集上的大量实验表明，模式注入策略显著提高了 SMER 性能，分别实现了 75.2% 和 59.1% 的准确率。这些结果验证了在符号音乐情感识别中采用模式引导建模的有效性。