旋律序列概率模型比较
机器学习
2011-11-01 v1
摘要
对音乐的真实世界复杂性进行建模是机器学习的一项挑战。我们致力于对同一音乐流派的旋律序列进行建模。我们对两种概率模型——狄利克雷变长马尔可夫模型（Dirichlet-VMM）和时间卷积受限玻尔兹曼机（TC-RBM）——进行了比较分析。我们展示了TC-RBM能够学习描述性的音乐特征，例如潜在和弦以及典型的旋律转换和动态。我们评估了这些模型对未来预测的能力，并将其性能与当前旋律生成领域最先进的VMM进行了比较。我们表明，两种模型的性能均显著优于VMM，其中Dirichlet-VMM略优于TC-RBM。最后，我们利用测试序列与模型样本之间的Kullback-Leibler散度评估了模型的短阶统计量，并表明我们提出的方法在匹配音乐流派统计特征方面显著优于VMM。
引用
@article{arxiv.1109.6804,
title = {Comparing Probabilistic Models for Melodic Sequences},
author = {Athina Spiliopoulou and Amos Storkey},
journal= {arXiv preprint arXiv:1109.6804},
year = {2011}
}
备注
in Proceedings of the ECML-PKDD 2011. Lecture Notes in Computer Science, vol. 6913, pp. 289-304. Springer (2011)