从巴赫到披头士：使用生态学训练的预测模型模拟人类调性期望
声音
2017-07-21 v1 机器学习
摘要
调性结构部分是通过音乐事件之间的统计规律性来传达的，研究表明，计算模型通过将这些规律性捕获到诸如音高直方图等图式化结构中，从而反映了音乐中的调性结构。在少数对从音乐数据中获取感知学习进行建模的研究中，大多数采用了自组织模型，这些模型学习音乐语境静态描述的拓扑结构。此外，用于训练这些模型的刺激物通常是符号化的，而非音乐材料的声学忠实表示。在本研究中，我们研究了音乐记忆的序列预测模型（具体而言，即循环神经网络），在基于商业 CD 录音的音频进行训练后，是否以与听众相似的方式（如音乐感知行为研究所示）诱导调性知识。我们的实验表明，各种类型的循环神经网络产生的音乐期望清晰地传达了调性结构。此外，结果表明，尽管对调性结构的隐式知识是准确音乐期望的必要条件，但最准确的预测模型还使用了音乐语境调性结构之外的其他线索。
引用
@article{arxiv.1707.06231,
title = {From Bach to the Beatles: The simulation of human tonal expectation using ecologically-trained predictive models},
author = {Carlos Cancino-Chacón and Maarten Grachten and Kat Agres},
journal= {arXiv preprint arXiv:1707.06231},
year = {2017}
}
备注
In Proceedings of the 18th International Society of Music Information Retrieval Conference (ISMIR 2017)