Augment, Drop & Swap：提升 LLM 描述多样性以实现高效音乐—文本表征学习

基于摘要分析。本文研究有限数据与计算预算下，哪些设计选择影响音乐—文本对比学习的表征质量，并提出 Augmented View Dropout 与 TextSwap，以增加训练文本的多样性和描述性。主要研究对象是音乐与文本的跨模态表征，而非 EEG 或 BCI。 研究沿三个维度进行经验比较：基础编码器的选择、训练数据的整理程度，以及文本增强的使用。作者报告，在其考察的资源受限场景中，数据整理是影响音乐—文本对比训练的最重要因素。基于这一观察，两项新技术旨在改善模型训练时接触到的文本输入；摘要未说明其具体操作、增强文本的生成流程、损失形式或采样机制，不能仅凭方法名称推断实现。 作者报告，这些技术在不同预训练设置、模型架构和下游数据分布下均能提升性能，且不增加计算成本或要求额外训练数据。摘要未提供数据集、划分、基线、指标数值及成本核算口径，因此尚不能判断收益幅度、适用边界或跨设置结果的可比性；实验协议、消融及统计信息尚未验证。 对 EEG/BCI 的适用性尚未验证，已有 EEG 相关工作尚未检索确认。当前材料不足以建立音乐描述增强与神经信号任务之间的具体机制对应，不将其表述为已验证的 BCI 方法或效果。