論文の概要: Neural Loop Combiner: Neural Network Models for Assessing the Compatibility of Loops

• arxiv url: http://arxiv.org/abs/2008.02011v2
• Date: Thu, 17 Feb 2022 15:30:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 19:06:59.971050
• Title: Neural Loop Combiner: Neural Network Models for Assessing the Compatibility of Loops
• Title（参考訳）: neural loop combiner: ループの互換性を評価するニューラルネットワークモデル
• Authors: Bo-Yu Chen, Jordan B. L. Smith, Yi-Hsuan Yang
• Abstract要約: AutoMashUpperのような互換性を推定する最先端システムはほとんどルールベースである。 根底的な真理互換値を持つループの大規模なセットが必要です。 このようなデータセットは存在しないので、既存の音楽からループを抽出して、互換性のあるループの正の例を得る。
• 参考スコア（独自算出の注目度）: 36.23775866198313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Music producers who use loops may have access to thousands in loop libraries, but finding ones that are compatible is a time-consuming process; we hope to reduce this burden with automation. State-of-the-art systems for estimating compatibility, such as AutoMashUpper, are mostly rule-based and could be improved on with machine learn-ing. To train a model, we need a large set of loops with ground truth compatibility values. No such dataset exists, so we extract loops from existing music to obtain positive examples of compatible loops, and propose and compare various strategies for choosing negative examples. For re-producibility, we curate data from the Free Music Archive.Using this data, we investigate two types of model architectures for estimating the compatibility of loops: one based on a Siamese network, and the other a pure convolutional neural network (CNN). We conducted a user study in which participants rated the quality of the combinations suggested by each model, and found the CNN to outperform the Siamese network. Both model-based approaches outperformed the rule-based one. We have opened source the code for building the models and the dataset.
• Abstract（参考訳）: ループを使用する音楽プロデューサーは数千のループライブラリにアクセスできますが、互換性のある曲を見つけるのは時間を要するプロセスです。 AutoMashUpperのような互換性を推定する最先端システムはほとんどルールベースであり、機械学習によって改善される可能性がある。 モデルをトレーニングするには、真理互換値の大きいループのセットが必要です。 このようなデータセットは存在せず、既存の音楽からループを抽出して互換ループの正の例を得、負の例を選択するための様々な戦略を提案し比較する。 このデータを用いて、我々はループの互換性を推定するための2種類のモデルアーキテクチャを調査する。1つは、シームズネットワークに基づくもので、もう1つは純粋な畳み込みニューラルネットワーク(CNN)である。 我々は,各モデルが提案する組み合わせの質を評価するユーザスタディを行い,CNNがシームズネットワークを上回っていることを確認した。 どちらのモデルベースアプローチもルールベースのアプローチよりも優れています。 モデルとデータセットを構築するためのコードをオープンソース化しました。

関連論文リスト

• Loop Neural Networks for Parameter Sharing [1.1049608786515839]
  本稿では,モデルサイズを増大させることなく,より長い計算時間を活用することにより,より優れた性能を実現するループニューラルネットワークを提案する。 提案手法では,残差接続を持つモデルのサブセットを反復的にループすることで,入力を複数回再検討する。 本手法の有効性を,GPT-2とループモデルの比較実験により実証し,類似したパラメータ数を維持しつつ,言語モデリングタスクの性能向上を示す。
  論文  参考訳（メタデータ） (2024-09-21T17:07:42Z)
• Harmony in Diversity: Merging Neural Networks with Canonical Correlation Analysis [17.989809995141044]
  相関解析に基づくCCAマージを提案する。 2モデル以上のモデルがマージされた場合、CCAは過去の方法よりもはるかにうまく機能することを示す。
  論文  参考訳（メタデータ） (2024-07-07T14:21:04Z)
• Telematics Combined Actuarial Neural Networks for Cross-Sectional and Longitudinal Claim Count Data [0.0]
  本稿では,Mario W"uthrich と Michael Merz が提案した,CANN (Combined Actuarial Network) フレームワークに基づく自動車保険の断面的および縦断的請求数モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-03T12:40:44Z)
• Part-Based Models Improve Adversarial Robustness [57.699029966800644]
  人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。 我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。 実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
  論文  参考訳（メタデータ） (2022-09-15T15:41:47Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• Spectral goodness-of-fit tests for complete and partial network data [1.7188280334580197]
  我々は、最近のランダム行列理論の結果を用いて、ダイアディックデータに対する一般的な適合性テスト(英語版)を導出する。 提案手法は,特定の関心モデルに適用された場合,パラメータ選択の単純かつ高速な方法であることを示す。 提案手法は, コミュニティ検出アルゴリズムの改良に繋がる。
  論文  参考訳（メタデータ） (2021-06-17T17:56:30Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating Back-Propagation for Saliency Detection [54.98042023365694]
  本稿では,ノイズを考慮したエンコーダ・デコーダ・フレームワークを提案する。 提案モデルはニューラルネットワークによってパラメータ化された2つのサブモデルから構成される。
  論文  参考訳（メタデータ） (2020-07-23T18:47:36Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。