用于改进钢琴指法预测输出流畅度的清单模型

在本工作中，我们提出一种预测钢琴音乐指法的新方法。先前的神经方法常将其视为具有独立预测的序列标注问题，而我们提出一个通过强化学习训练的清单系统，该系统除隐藏状态外还维护近期预测的表示，从而能够学习对输出结构的软约束。我们还证明，通过将输入表示——先前使用神经模型的工作常采用钢琴上单个琴键的独热编码形式——改为编码相对于前一个音符在键盘上的相对位置，可以获得更好的性能。此外，我们重新评估了以原始逐音符标注精度作为评价指标的做法，指出其不能充分衡量模型输出的流畅度，即人类可演奏性。为此，我们跨若干统计量比较方法，这些统计量追踪相邻手指预测的频次，这些预测虽各自合理但连续演奏在物理上具有挑战性，并实现一种强化学习策略以在我们的训练损失中最小化此类情况。最后通过人类专家评估，我们展示了可演奏性的显著提升，这直接归因于这些指标上的改进。