論文の概要: dMelodies: A Music Dataset for Disentanglement Learning
- arxiv url: http://arxiv.org/abs/2007.15067v1
- Date: Wed, 29 Jul 2020 19:20:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 21:08:03.368698
- Title: dMelodies: A Music Dataset for Disentanglement Learning
- Title（参考訳）: dMelodies: ディスタングル学習のための音楽データセット
- Authors: Ashis Pati, Siddharth Gururani, Alexander Lerch
- Abstract要約: 我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。
これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。
データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
- 参考スコア（独自算出の注目度）: 70.90415511736089
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Representation learning focused on disentangling the underlying factors of
variation in given data has become an important area of research in machine
learning. However, most of the studies in this area have relied on datasets
from the computer vision domain and thus, have not been readily extended to
music. In this paper, we present a new symbolic music dataset that will help
researchers working on disentanglement problems demonstrate the efficacy of
their algorithms on diverse domains. This will also provide a means for
evaluating algorithms specifically designed for music. To this end, we create a
dataset comprising of 2-bar monophonic melodies where each melody is the result
of a unique combination of nine latent factors that span ordinal, categorical,
and binary types. The dataset is large enough (approx. 1.3 million data points)
to train and test deep networks for disentanglement learning. In addition, we
present benchmarking experiments using popular unsupervised disentanglement
algorithms on this dataset and compare the results with those obtained on an
image-based dataset.
- Abstract（参考訳）: 与えられたデータの変動の要因を解消することに焦点を当てた表現学習は、機械学習において重要な研究領域となっている。
しかしながら、この分野の研究のほとんどはコンピュータビジョンの領域からのデータセットに依存しており、音楽に拡張することは容易ではない。
本稿では,不連続問題に取り組む研究者が多様な領域におけるアルゴリズムの有効性を示すための新しいシンボリック・ミュージック・データセットを提案する。
これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。
この目的のために,2バーのモノフォニック・メロディからなるデータセットを作成し,各メロディは順序,分類,二分型にまたがる9つの潜在因子のユニークな組み合わせの結果である。
データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
さらに,このデータセット上で人気のある教師なし不連続化アルゴリズムを用いたベンチマーク実験を行い,画像ベースのデータセットで得られた結果と比較する。
関連論文リスト
- Continual Learning for Multimodal Data Fusion of a Soft Gripper [1.0589208420411014]
あるデータモダリティに基づいてトレーニングされたモデルは、異なるモダリティでテストした場合、しばしば失敗する。
異なるデータモダリティを漸進的に学習できる連続学習アルゴリズムを提案する。
我々は、アルゴリズムの有効性を、挑戦的なカスタムマルチモーダルデータセット上で評価する。
論文 参考訳（メタデータ） (2024-09-20T09:53:27Z) - The Brain's Bitter Lesson: Scaling Speech Decoding With Self-Supervised Learning [3.649801602551928]
我々は、異種録音からの学習を表現するために、神経科学にインスパイアされた自己教師対象のセットをニューラルネットワークとともに開発する。
その結果、これらの目的によって学習された表現は、データとともにスケールし、主題、データセット、タスクをまたいで一般化し、同等の自己監督的アプローチを上回ります。
論文 参考訳（メタデータ） (2024-06-06T17:59:09Z) - Learning from the Best: Active Learning for Wireless Communications [9.523381807291049]
アクティブな学習アルゴリズムは、ラベル付けされていないデータセットの中で最も重要で情報に富んだサンプルを特定し、完全なデータセットではなく、これらのサンプルのみをラベル付けする。
本稿では, ディープラーニングに基づくmmWaveビーム選択のケーススタディとして, 包括探索に基づく計算集約アルゴリズムを用いてラベル付けを行う。
この結果から,クラス不均衡データセットに対するアクティブな学習アルゴリズムを用いることで,データセットのラベル付けオーバーヘッドを最大50%削減できることがわかった。
論文 参考訳（メタデータ） (2024-01-23T12:21:57Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - Data Augmentations in Deep Weight Spaces [89.45272760013928]
そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。
既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2023-11-15T10:43:13Z) - Exploring the Efficacy of Pre-trained Checkpoints in Text-to-Music
Generation Task [86.72661027591394]
テキスト記述から完全で意味論的に一貫したシンボリック音楽の楽譜を生成する。
テキスト・音楽生成タスクにおける自然言語処理のための公開チェックポイントの有効性について検討する。
実験結果から, BLEUスコアと編集距離の類似性において, 事前学習によるチェックポイントの使用による改善が統計的に有意であることが示唆された。
論文 参考訳（メタデータ） (2022-11-21T07:19:17Z) - Pitch-Informed Instrument Assignment Using a Deep Convolutional Network
with Multiple Kernel Shapes [22.14133334414372]
本稿では,音階楽器の割り当てを行うための深層畳み込みニューラルネットワークを提案する。
7つの楽器クラスを用いたMusicNetデータセット実験により,本手法は平均Fスコア0.904を達成可能であることが示された。
論文 参考訳（メタデータ） (2021-07-28T19:48:09Z) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳（メタデータ） (2020-10-19T13:05:08Z) - 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) - Learning from Noisy Similar and Dissimilar Data [84.76686918337134]
ノイズSとDラベル付きデータから分類器を学習する方法を示す。
また、このような相互監督データからの学習と、通常のクラスラベルデータからの学習との間に重要な関連性を示す。
論文 参考訳（メタデータ） (2020-02-03T19:59:16Z)
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。