利用迁移学习技术改进爵士旋律自动生成

在本文中，我们解决爵士自动生成中的迁移学习问题。爵士是具有代表性的音乐类型之一，但 MIDI 格式爵士数据的缺乏阻碍了爵士生成模型的构建。迁移学习是一种旨在解决数据不足问题、从而将一个领域的共同特征迁移到另一个领域的方法。鉴于其在其他机器学习问题中的成功，我们研究它能在多大程度上帮助改进资源不足音乐类型的自动音乐生成。具体而言，我们使用循环变分自编码器作为生成模型，并使用一个未指定类型的数据库作为源数据集、一个仅含爵士的数据集作为目标数据集。使用六种源到目标数据比例对两种迁移学习方法进行评估。第一种方法是在源数据集上训练模型，然后在目标数据集上微调所得模型参数。第二种方法是同时在源和目标数据集上训练模型，但向潜向量添加类型标签并使用一个类型分类器来改进爵士生成。评估结果表明，第二种方法总体上似乎表现更好，但它无法充分利用未指定类型的数据集。