潜在歌词分类的协同特征融合：基于门控深度学习架构
机器学习
2025-11-18 v1
摘要
本研究旨在解决将复杂高维深层语义特征与简单可解释结构线索集成用于歌词内容分类的挑战。我们提出一种新的协同融合层（SFL）架构，一种基于门控机制的深度学习模型，用于调制使用句子 BERT 嵌入（Fdeep）的低维辅助特征（Fstruct）。该任务源自聚类 UMAP 降维后的歌词嵌入，被重新定义为二分分类，区分主导均匀聚类（类别 0）与其他所有内容（类别 1）。SFL 模型实现了 0.9894 的准确率和 0.9894 的宏平均 F1 分数，显著优于使用特征拼接的随机森林（RF）基线（准确率=0.9868）。关键在于，SFL 模型在可靠性和校准性方面表现出色，其期望校准误差（ECE=0.0035）较 RF 基线（ECE=0.0500）降低 93%，对数损失（0.0304）较 RF 基线（0.0772）降低 2.5 倍。本性能数据验证了非线性门控优于简单特征拼接的架构假设，使 SFL 模型成为复杂多模态歌词分析中稳健可信的系统。
引用
@article{arxiv.2511.11673,
title = {Synergistic Feature Fusion for Latent Lyrical Classification: A Gated Deep Learning Architecture},
author = {M. A. Gameiro},
journal= {arXiv preprint arXiv:2511.11673},
year = {2025}
}