音乐创意生成模型的挑战：基于散度最大化的视角
机器学习
2022-11-17 v1 机器学习
应用统计
摘要
近年来，预训练模型在可用性与可及性上的改进，使得生成式机器学习（ML）模型在创意实践中的开发引起了艺术家、从业者和表演者越来越多的兴趣。然而，这类技术引入艺术领域后，也暴露出当前科学家所用评估方法无法捕捉的多种局限性。尤为突出的是，大多数模型仍无法生成训练数据集所定义领域之外的内容。在本文中，我们提出一个前瞻性的替代框架，从机器学习目标的一种新的通用表述出发，推导出机器学习文献中已存在的潜在影响与解决方案（尤其在音频与音乐领域）。我们还讨论了生成模型与计算创造力之间的现有关联，以及我们的框架如何有助于解决现有模型缺乏创造力的问题。
引用
@article{arxiv.2211.08856,
title = {Challenges in creative generative models for music: a divergence maximization perspective},
author = {Axel Chemla--Romeu-Santos and Philippe Esling},
journal= {arXiv preprint arXiv:2211.08856},
year = {2022}
}
备注
to be published in AI Music Creativity Conference proceedings (AIMC2022)