論文の概要: From Artificial Neural Networks to Deep Learning for Music Generation -- History, Concepts and Trends

• arxiv url: http://arxiv.org/abs/2004.03586v2
• Date: Mon, 5 Oct 2020 22:33:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 23:39:53.962988
• Title: From Artificial Neural Networks to Deep Learning for Music Generation -- History, Concepts and Trends
• Title（参考訳）: 音楽生成のためのニューラルネットワークからディープラーニングへ -歴史・概念・動向-
• Authors: Jean-Pierre Briot
• Abstract要約: 本稿では,ディープラーニング技術に基づく音楽生成のチュートリアルを提供する。 1980年代後半から、音楽生成のための人工ニューラルネットワークを用いて、いくつかの初期の作品を分析している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The current wave of deep learning (the hyper-vitamined return of artificial neural networks) applies not only to traditional statistical machine learning tasks: prediction and classification (e.g., for weather prediction and pattern recognition), but has already conquered other areas, such as translation. A growing area of application is the generation of creative content, notably the case of music, the topic of this paper. The motivation is in using the capacity of modern deep learning techniques to automatically learn musical styles from arbitrary musical corpora and then to generate musical samples from the estimated distribution, with some degree of control over the generation. This paper provides a tutorial on music generation based on deep learning techniques. After a short introduction to the topic illustrated by a recent exemple, the paper analyzes some early works from the late 1980s using artificial neural networks for music generation and how their pioneering contributions have prefigured current techniques. Then, we introduce some conceptual framework to analyze the various concepts and dimensions involved. Various examples of recent systems are introduced and analyzed to illustrate the variety of concerns and of techniques.
• Abstract（参考訳）: 現在のディープラーニングの波(hyper-vitamined return of artificial neural networks)は、予測と分類(天気予報やパターン認識など)という従来の統計的機械学習タスクだけでなく、翻訳などの他の領域もすでに克服している。 応用分野の増大は、クリエイティブコンテンツの生成であり、特に音楽の場合、この論文のトピックである。 モチベーションは、任意の音楽コーパスから音楽のスタイルを自動的に学習し、推定分布から音楽のサンプルを生成し、その生成をある程度制御するために、現代のディープラーニング技術の能力を利用することである。 本稿では,ディープラーニング技術に基づく音楽生成のチュートリアルを提供する。 近年の研究では,音楽生成に人工ニューラルネットワークを用いた1980年代後半の初期の研究と,その先駆的貢献が現在の技術にどのような影響を及ぼしたかを分析した。 次に,関連する様々な概念や次元を分析するための概念枠組みを提案する。 最近のシステムの様々な例を紹介し分析し、様々な関心事や技術を説明する。

関連論文リスト

• Low-Data Classification of Historical Music Manuscripts: A Few-Shot Learning Approach [0.0]
  歴史的写本における記号分類のための自己指導型学習フレームワークを開発した。 この課題を克服するために、ニューラルネットワークによる特徴抽出器を非ラベルデータでトレーニングし、最小限のサンプルで効果的な分類を可能にする。
  論文  参考訳（メタデータ） (2024-11-25T14:14:25Z)
• Improving Musical Instrument Classification with Advanced Machine Learning Techniques [0.0]
  近年の機械学習、特にディープラーニングの進歩により、楽器を音声信号から識別し分類する能力が強化されている。 本研究では,Naive Bayes,Support Vector Machines,Random Forests,AdaBoostやXGBoostといったBootingテクニックなど,さまざまな機械学習手法を適用した。 これらの手法の有効性を,注釈付き音声の大規模リポジトリであるN Synthデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-11-01T00:13:46Z)
• Foundation Models for Music: A Survey [77.77088584651268]
  ファンデーションモデル(FM)は音楽を含む様々な分野に大きな影響を与えている。 本総説では,音楽の事前学習モデルと基礎モデルについて概観する。
  論文  参考訳（メタデータ） (2024-08-26T15:13:14Z)
• A Survey of Music Generation in the Context of Interaction [3.6522809408725223]
  機械学習は、メロディーとポリフォニックの両方の曲の作曲と生成に成功している。 これらのモデルのほとんどは、ライブインタラクションによる人間と機械の共創には適していない。
  論文  参考訳（メタデータ） (2024-02-23T12:41:44Z)
• Sequence Generation using Deep Recurrent Networks and Embeddings: A study case in music [69.2737664640826]
  本稿では,異なる種類の記憶機構(メモリセル)について評価し,音楽合成分野におけるその性能について検討する。 提案したアーキテクチャの性能を自動評価するために,定量的な測定値のセットが提示される。
  論文  参考訳（メタデータ） (2020-12-02T14:19:19Z)
• Melody-Conditioned Lyrics Generation with SeqGANs [81.2302502902865]
  本稿では,SeqGAN(Sequence Generative Adversarial Networks)に基づく,エンドツーエンドのメロディ条件付き歌詞生成システムを提案する。 入力条件が評価指標に悪影響を及ぼすことなく,ネットワークがより有意義な結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-10-28T02:35:40Z)
• Detecting Generic Music Features with Single Layer Feedforward Network using Unsupervised Hebbian Computation [3.8707695363745223]
  著者らは、人気のあるオープンソース音楽コーパスから、そのような特徴に関する情報を抽出する。 彼らは同じデータセットを使用して、一層ニューラルネットワークに教師なしのヘビアン学習技術を適用する。 教師なしトレーニングアルゴリズムは、提案したニューラルネットワークを強化し、音楽特徴の検出を成功させるために90.36%の精度を達成する。
  論文  参考訳（メタデータ） (2020-08-31T13:57:31Z)
• Incorporating Music Knowledge in Continual Dataset Augmentation for Music Generation [69.06413031969674]
  Aug-Genは、リソース制約のあるドメインでトレーニングされた任意の音楽生成システムに対するデータセット拡張の方法である。 我々は、Aug-Gen をトランスフォーマーベースのコラール生成に J.S. Bach のスタイルで適用し、これによりより長いトレーニングが可能となり、より優れた生成出力が得られることを示す。
  論文  参考訳（メタデータ） (2020-06-23T21:06:15Z)
• Artificial Musical Intelligence: A Survey [51.477064918121336]
  音楽は、機械学習と人工知能研究の領域としてますます広まりつつある。 この記事では、音楽知能の定義を提供し、その構成成分の分類を導入し、その追求に耐えうる幅広いAI手法を調査します。
  論文  参考訳（メタデータ） (2020-06-17T04:46:32Z)
• Dance Revolution: Long-Term Dance Generation with Music via Curriculum Learning [55.854205371307884]
  音楽条件付きダンス生成をシーケンス・ツー・シーケンスの学習問題として定式化する。 本稿では,長動き列生成における自己回帰モデルの誤り蓄積を軽減するための新しいカリキュラム学習戦略を提案する。 提案手法は,自動計測と人的評価において,既存の最先端技術よりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-06-11T00:08:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。