TrueMuse：文本到音乐模型的数据归因基准

arXiv:2610.00835v1 公告类型：新 摘要：文本到音乐生成模型基于海量音乐合集进行训练，因此越来越需要能够量化单个训练样本贡献的数据归因方法。然而，由于缺乏可靠的真实基准，现有归因方法难以进行严格评估，使得可靠判断其实际有效性变得十分困难。为弥补这一空白，我们提出了 TrueMuse，这是一个用于文本到音乐数据归因的受控数据集和基准。TrueMuse 通过在精心筛选的归因样本上对三个基于扩散的文本到音乐模型进行微调而构建，这些样本已知会被纳入微调过程，从而为评估提供了受控的归因目标。该基准涵盖四种归因设置，涉及旋律结构、音色特征、艺术家层面的风格特征以及流派层面的共享模式；包含 133 个属性、648 个微调模型，以及基于两种提示类型生成的 95,456 个样本。借助 TrueMuse，我们从四个维度系统评估了现有的黑盒归因方法：微调改进、提示类型难度、多任务训练以及微调数据规模。结果表明，归因仍然具有挑战性，现有方法在不同评估设置下表现出显著差异，凸显了文本到音乐生成领域对更可靠、更具泛化能力的归因方法的需求。代码和数据集将在论文接收后发布。