学习可解释的音乐作曲规则与轨迹
机器学习
2016-06-20 v1 机器学习
摘要
纵观音乐历史，理论家们已经识别并记录了能够捕捉作曲家决策的可解释规则。本文提出一个问题：“机器能否表现得像一位音乐理论家？”我们提出了 MUS-ROVER，一个从符号音乐中自动发现规则的自学习系统。MUS-ROVER 通过 -gram 模型进行特征学习，以提取作曲规则——即所得特征上的统计模式。我们在 Bach 的（SATB）众赞歌上对 MUS-ROVER 进行了评估，证明它能够恢复已知规则，并识别出值得进一步研究的新的特征模式。我们讨论了如何将提取的规则应用于机器作曲与人类作曲。
引用
@article{arxiv.1606.05572,
title = {Learning Interpretable Musical Compositional Rules and Traces},
author = {Haizi Yu and Lav R. Varshney and Guy E. Garnett and Ranjitha Kumar},
journal= {arXiv preprint arXiv:1606.05572},
year = {2016}
}
备注
presented at 2016 ICML Workshop on Human Interpretability in Machine Learning (WHI 2016), New York, NY