Composer Vector：潜在空间中风格引导的符号音乐生成

基于摘要分析。本文研究符号音乐生成中的作曲家风格控制，提出 Composer Vector，在推理时直接干预模型潜在空间，无需重新训练即可引导生成风格。其主要贡献是以连续引导系数调节目标作曲家风格，并在统一潜在空间框架内融合多种风格。 作者指出，现有基于训练的风格条件化方法依赖大量带标签数据，且通常一次仅支持单一作曲家风格。Composer Vector 将控制环节移至推理阶段，但摘要未说明风格向量如何构造、需要哪些参考数据或标签、作用于哪些潜在表示，以及多风格向量如何组合；因此，不能将“无需重新训练”等同于“无需标注数据”。 作者报告，在多个符号音乐生成模型上的实验显示，该方法能够将生成结果引向目标作曲家风格，并通过连续系数实现平滑、可解释的控制及多风格融合。摘要未提供具体模型、数据集、划分、对照基线、评价指标或数值，实验协议、消融及统计信息尚未验证；“可解释性”和融合质量的评估依据也需查阅全文。材料提供了代码与演示链接，但实现细节及复现条件尚未核验。 本文主要研究对象是符号音乐生成，而非 EEG 解码或 BCI。潜在空间干预在此用于生成风格控制，现有材料尚未建立其与神经信号建模瓶颈的具体对应关系，因此不据此推断 BCI 有效性，也不提出迁移实验方案；已有 EEG 相关工作尚未检索确认。