使用 PULSE 学习音乐预测模型

算法作曲、认知科学和机器学习的研究人员均对音乐预测模型进行研究。它们作为作曲的基础模型，可以模拟人类预测，并为学习算法提供多学科应用领域。一个特别成熟且不断发展的子任务是单声部旋律预测。由于旋律通常涉及非马尔可夫依赖性，其预测需要强大的学习算法。在本论文中，我将最新的特征发现与学习方法 PULSE 应用于符号音乐建模领域。PULSE 由特征生成操作和 L1 正则化优化组成。这些操作用于迭代地扩展和精简特征集，从而有效地探索对常见特征选择方法而言过大的特征空间。我为 PULSE 设计了一个通用 Python 框架，提出了任务优化的特征生成操作以及多种基于音乐理论的特征，并在单声部民歌与赞美诗旋律的标准语料库上进行了评估。所提方法显著优于可比的 SOTA 模型。我进一步讨论了学习算法的自由参数，并分析了所学模型的特征构成。由 PULSE 学习的模型易于检查，并首次得到了音乐学层面的解释。