面向符号音乐的主题中心化表示学习
声音
2023-09-20 v1 机器学习
音频与语音处理
摘要
音乐主题作为作曲的概念性构建模块，对音乐结构分析与自动作曲至关重要。尽管人类听众可轻松识别主题，现有计算模型在表示主题及其发展方面存在不足。原因在于主题的本质是隐式的，且主题变体的多样性超出简单重复与模进。本研究旨在借助 Siamese 网络架构与预训练—微调流程，通过表示学习来刻画主题与其变体间的隐式关系。预训练采用基于正则化的方法 VICReg，微调则使用对比学习。基于检索任务的实验结果表明，这两种方法互为补充，使精确率—召回率曲线下面积提升 12.6%。最后，我们对习得的主題表示进行可视化，从而直观理解乐曲整体结构。据我们所知，本工作在音乐主题的计算建模上迈出了显著一步。我们相信，本工作为未来主题在自动音乐作曲与音乐信息检索中的应用奠定了基础。
引用
@article{arxiv.2309.10597,
title = {Motif-Centric Representation Learning for Symbolic Music},
author = {Yuxuan Wu and Roger B. Dannenberg and Gus Xia},
journal= {arXiv preprint arXiv:2309.10597},
year = {2023}
}