Neues Deep‑Learning-Modell erzielt 99 % Genauigkeit bei Lyrikklassifikation

Eine neue Deep‑Learning-Architektur namens Synergistic Fusion Layer (SFL) erreicht mit einer Genauigkeit von 98,94 % und einem Macro‑F1‑Score von 98,94 % nahezu perfekte Ergebnisse bei der Klassifizierung von Songtexten. Das Modell kombiniert Sentence‑BERT‑Einbettungen mit strukturellen Merkmalen über ein geschaltetes Gating‑System, wodurch die Leistung deutlich über dem traditionellen Random‑Forest‑Ansatz liegt, der lediglich Feature‑Konkatenation nutzt.

Im Vergleich zum Random‑Forest‑Baseline (Accuracy = 98,68 %) reduziert das SFL-Modell den Expected Calibration Error um 93 % (ECE = 0,0035 vs. 0,0500) und senkt die Log‑Loss‑Werte um das 2,5‑Fache (0,0304 vs. 0,0772). Diese Verbesserungen zeigen, dass nichtlineares Gating die Integration von hochdimensionalen semantischen Features mit einfachen strukturellen Hinweisen wesentlich effizienter gestaltet.

Die Ergebnisse bestätigen die Hypothese, dass ein geschaltetes Modell die Zuverlässigkeit und Kalibrierung von multimodalen Lyrikanalysen erheblich steigert. Das SFL‑System stellt damit einen robusten und vertrauenswürdigen Ansatz für die Analyse komplexer Textdaten dar.