MusicArtist-F 多类艺人识别

• 来源：noai-train/联合训练/Day1/T3 MusicArtist 陈浚源
• 类型：Audio / multimodal tabular fusion
• 原始资料：PROBLEM.md、baseline.py、metrics.py、Day1.md、Day1 ref/T3 MusicArtist_ref
• 题面完整性：完整
• 解法资料完整性：有 baseline 与多个参考脚本；题解主要来自 Day1 总结与代码推断

题面大意

给定 60 秒、16 kHz、单声道的音乐片段，以及与片段对齐的 CSV 侧向特征（如 BPM、谱面难度等），预测该片段对应 20 类音乐游戏供曲艺人之一。提交 submission.py 生成 submission.csv，主指标是多分类准确率。题目禁止使用任何预训练模型或额外数据，只能在公开训练音频和侧向特征上从零训练或做特征工程。

数据特点

音频长达 60 秒，信息量远大于侧向表格特征；同时艺术家类别可能通过节奏、音色、能量分布、BPM 范围和谱面侧信息体现。训练集规模有限，直接从零训练大型音频深网风险较高。侧向特征与音频特征存在互补关系，但标签只有 20 类，随机森林/梯度提升等传统模型在手工特征上很有竞争力。

考点

考点是“无预训练条件下的音频特征工程与多源特征融合”。参赛者需要从音频中提取 mel、MFCC、频谱质心、带宽、rolloff、zero-crossing、节奏等统计量，再与 BPM/难度等侧信息融合。另一个难点是测试分布和训练分布可能不完全一致，需要验证集设计和集成降低偶然性。

涉及知识点

• 音频预处理：重采样、裁剪、归一化、STFT、mel spectrogram。
• 手工音频特征：MFCC 均值/方差、谱质心、谱带宽、色度、节奏特征。
• 表格模型：RandomForest、ExtraTrees、SVM、Logistic Regression、简单 MLP。
• 融合策略：特征级拼接、概率平均、stacking。
• 小数据多分类：分层验证、类别均衡、混淆矩阵分析。

解法思路

第一种稳健路线是手工提取音频统计特征：把每段音频切成若干窗口，计算 mel/MFCC/谱特征的均值、标准差、分位数和极值；再与 train_extra.csv 中的侧向特征拼接，训练随机森林或梯度提升分类器。Day1 总结中也指出，只处理音频就能拿到不错分数，加入侧信息后还能提升。

第二种路线是从零训练小 CNN：把 mel spectrogram 当图像输入，模型预测 20 类。由于不能用预训练，模型要小，增强要足，包括时间平移、随机裁剪、频带/时间遮挡、mixup。最后将 CNN 概率与表格模型概率平均，常比单模型稳定。

可选/多种解法

音频特征 + 随机森林：工程量适中，训练快，对小数据友好。

mel CNN：上限较高，但依赖增强和训练稳定性。

双分支模型：一支处理 mel，一支处理侧向特征，最后融合；需要更细的验证设计。

特殊技巧

长音频不必整段送入模型，可切成多个片段分别预测再平均，既增加训练样本，也减少显存压力。对艺术家识别，BPM 区间、谱面难度、音色统计和节奏稳定性往往是强特征。概率融合时不要只取硬投票，保留模型不确定性更好。

调参优化

调参应分两条线进行：表格/手工音频特征模型调 n_estimators、max_depth、正则强度和特征集合，mel CNN 调输入片段长度、mel bins、学习率、dropout、mixup 与 SpecAugment 强度。验证集最好按歌曲或谱面分组，避免同一歌曲片段泄漏导致参数选择过乐观。融合时不要简单默认 0.5/0.5，可在验证集上扫描表格模型与 CNN 概率的加权系数。若类别混淆集中在相近艺人，优先调类别权重和采样策略，而不是盲目增大网络。

注意事项

题面明确禁止预训练音频/语音/多模态模型，也禁止额外数据和联网下载。artist_labels.csv 只用于理解标签，不能当作输入特征产生语义捷径。评测以 audio_name 对齐，缺行和多行会在 score.json 中报告。

推广意义

这题是“无预训练时代”的音频竞赛模板：用可解释的频谱统计打底，再用小模型和融合提升。它适用于音频事件识别、音乐风格分类、设备声音故障诊断等小数据音频任务。