AutoSchA：基于多关系节点隔离的自动层次化音乐表示
声音
2025-12-23 v1 机器学习
摘要
层次化表示为分析许多音乐流派提供了强大且理性化的方法。例如在音乐理论中已广泛研究，如施克纳尔分析（SchA）。然而，层次化音乐分析极其费时；对一pieces音乐的分析需要大量来自培训专家的时间和努力。将层次化分析表示为计算机可读格式是另一挑战。鉴于近期在层次化深度学习方面的发展以及日益增加的计算机可读数据，延伸此类工作以构建自动层次化表示框架具有巨大潜力。因此，本文引入了一种新方法，AutoSchA，该方法扩展了最近在图神经网络（GNN）中用于层次化音乐分析的开发。AutoSchA 的三个关键贡献：1）一种新的图学习框架用于层次化音乐表示，2）一种基于节点隔离的新的图池化机制，直接优化所学池化分配，3）一个最先进的体系结构将此类发展集成用于自动层次化音乐分析。我们在一套实验中展示，AutoSchA 在分析巴洛克复调主题方面表现出与人类专家相当的性能。
引用
@article{arxiv.2512.18232,
title = {AutoSchA: Automatic Hierarchical Music Representations via Multi-Relational Node Isolation},
author = {Stephen Ni-Hahn and Rico Zhu and Jerry Yin and Yue Jiang and Cynthia Rudin and Simon Mak},
journal= {arXiv preprint arXiv:2512.18232},
year = {2025}
}