Newest papers

Predicting Music Valence and Arousal via Textual and Multimodal In-Context Learning in Large Language Models

Chi-En Dai, Chih-Pin Tan, Yi-Hsuan Yang · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31202 · open-access PDF

Korean

흥분은 음악 오디오에서 신뢰할 수 있지만, 감정적 인 유효성은 주관적이고 컨텍스트에 의존하는 성격으로 인해 모델링하기가 어렵습니다.이 작업에서, 우리는 대형 언어 모델을 사용하여 지속적인 유효성과 유효성 예측을 향상시키는 인 컨텍스트 학습 (ICL)의 잠재력을 조사합니다. 감정 점수를 직접 예측하는 대신, 우리의 프레임 워크는 보조 데이터 세트에서 컨텍스트 데모를 활용하여 소규모, 작업 특정 기반 모델에 의해 생성 된 초기 예측을 정교하게합니다.

Machine translation (Meta M2M100); the English original follows.

Abstract

While arousal can be reliably predicted from musical audio, emotional valence remains difficult to model due to its subjective and context-dependent nature. In this work, we investigate the potential of in-context learning (ICL) with large language models to advance continuous valence and arousal prediction. Rather than predicting emotion scores directly, our framework leverages contextual demonstrations from an auxiliary dataset to refine the initial predictions produced by a small, task-specific base model. We systematically evaluate a text-based ICL variant using lyrics and generated audio

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange