論文の概要: Machine Composition of Korean Music via Topological Data Analysis and
Artificial Neural Network
- arxiv url: http://arxiv.org/abs/2203.15468v1
- Date: Tue, 29 Mar 2022 12:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 17:08:15.567133
- Title: Machine Composition of Korean Music via Topological Data Analysis and
Artificial Neural Network
- Title（参考訳）: トポロジカルデータ解析とニューラルネットワークによる韓国音楽の機械構成
- Authors: Mai Lan Tran and Dongjin Lee and Jae-Hun Jung
- Abstract要約: 楽曲を直接供給するのではなく、所定の音楽データに埋め込まれた作曲原理を機械に教える機械合成法を提案する。
ColorblackOverlap行列は、新しい楽曲をアルゴリズムで合成し、目的の人工ニューラルネットワークに向けてシード音楽を提供する。
- 参考スコア（独自算出の注目度）: 6.10183951877597
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Common AI music composition algorithms based on artificial neural networks
are to train a machine by feeding a large number of music pieces and create
artificial neural networks that can produce music similar to the input music
data. This approach is a blackbox optimization, that is, the underlying
composition algorithm is, in general, not known to users.
In this paper, we present a way of machine composition that trains a machine
the composition principle embedded in the given music data instead of directly
feeding music pieces. We propose this approach by using the concept of
{\color{black}{Overlap}} matrix proposed in \cite{TPJ}. In \cite{TPJ}, a type
of Korean music, so-called the {\it Dodeuri} music such as Suyeonjangjigok has
been analyzed using topological data analysis (TDA), particularly using
persistent homology. As the raw music data is not suitable for TDA analysis,
the music data is first reconstructed as a graph. The node of the graph is
defined as a two-dimensional vector composed of the pitch and duration of each
music note. The edge between two nodes is created when those nodes appear
consecutively in the music flow. Distance is defined based on the frequency of
such appearances. Through TDA on the constructed graph, a unique set of cycles
is found for the given music. In \cite{TPJ}, the new concept of the {\it
{\color{black}{Overlap}} matrix} has been proposed, which visualizes how those
cycles are interconnected over the music flow, in a matrix form.
In this paper, we explain how we use the {\color{black}{Overlap}} matrix for
machine composition. The {\color{black}{Overlap}} matrix makes it possible to
compose a new music piece algorithmically and also provide a seed music towards
the desired artificial neural network. In this paper, we use the {\it Dodeuri}
music and explain detailed steps.
- Abstract（参考訳）: ニューラルネットワークに基づく一般的なai音楽合成アルゴリズムは、大量の楽曲を供給して機械を訓練し、入力された音楽データに似た音楽を生成できる人工ニューラルネットワークを作成する。
このアプローチはブラックボックス最適化であり、基礎となる合成アルゴリズムは一般にユーザには知られていない。
本稿では,楽曲を直接供給するのではなく,与えられた音楽データに埋め込まれた作曲原理を機械に教える機械合成法を提案する。
提案手法は, \cite{TPJ} で提案された {\color{black}{Overlap}} 行列の概念を用いて提案する。
韓国音楽の一種である \cite{tpj} では、suyeonjangjigok などの「it dodeuri」音楽が位相データ解析(topological data analysis, tda)によって分析され、特に永続ホモロジーを用いて分析されている。
生の音楽データがTDA解析に適さないため、まず、音楽データをグラフとして再構成する。
グラフのノードは、各音符のピッチと持続時間からなる2次元ベクトルとして定義される。
これらのノードが音楽フローに連続して現れると、2つのノード間のエッジが生成される。
このような出現頻度に基づいて距離が定義される。
構築されたグラフ上のTDAを通して、与えられた音楽に対してユニークなサイクルの集合が見つかる。
\cite{tpj} では、行列形式で音楽の流れ上でそれらのサイクルがどのように相互接続されるかを視覚化する、 {\it {\color{black}{overlap}} matrix} の新しい概念が提案されている。
本稿では,機械合成に {\color{black}{Overlap}} 行列をどのように利用するかを説明する。
{\color{black}{Overlap}}行列は、新しい楽曲をアルゴリズムで合成することができ、また、所望の人工ニューラルネットワークに向けてシード音楽を提供する。
本稿では,「it dodeuri」の音楽を用いて,詳細な手順について述べる。
関連論文リスト
- Combinatorial music generation model with song structure graph analysis [18.71152526968065]
音符列や楽器などの情報をノードの特徴として用いたグラフを構築し,音符列間の相関がエッジの特徴として機能する。
グラフニューラルネットワークを用いてノード表現を訓練し,ノード表現をUnetの入力として使用して,ConLONのピアノロール画像遅延を生成する。
論文 参考訳（メタデータ） (2023-12-24T04:09:30Z) - N-Gram Unsupervised Compoundation and Feature Injection for Better
Symbolic Music Understanding [27.554853901252084]
音楽系列は隣接要素間の強い相関関係を示し、自然言語処理(NLP)によるN-gram技術の主要な候補となる。
本稿では,N-gramアプローチを利用したシンボリック・ミュージック・シーケンス理解のための新しい手法NG-Midiformerを提案する。
論文 参考訳（メタデータ） (2023-12-13T06:08:37Z) - Predicting Music Hierarchies with a Graph-Based Neural Decoder [6.617487928813374]
本稿では,楽譜を依存木に解析するデータ駆動型フレームワークについて述べる。
依存木は、音楽認知研究や音楽分析に使用される階層構造である。
このシステムの大きな利点の1つは、近代的なディープラーニングパイプラインに簡単に統合できることである。
論文 参考訳（メタデータ） (2023-06-29T13:59:18Z) - GETMusic: Generating Any Music Tracks with a Unified Representation and
Diffusion Framework [58.64512825534638]
シンボリック・ミュージック・ジェネレーションは、ユーザーが音楽を作るのに役立つ音符を作成することを目的としている。
私たちは「GETMusic」と呼ばれるフレームワークを紹介します。「GET'」は「GEnerate Music Tracks」の略です。
GETScoreは、音符をトークンとして表現し、2D構造でトークンを整理する。
提案する表現は,非自己回帰生成モデルと組み合わせて,任意のソース・ターゲットトラックの組み合わせでGETMusicに音楽を生成する。
論文 参考訳（メタデータ） (2023-05-18T09:53:23Z) - Symbolic Music Structure Analysis with Graph Representations and
Changepoint Detection Methods [1.1677169430445211]
シンボリック音楽の形式や構造を,ノルム,G-PELT,G-Windowの3つの手法を提案する。
我々は,記号曲をグラフ表現で符号化し,隣接行列の斬新さを計算することで,記号曲の構造をうまく表現できることを発見した。
論文 参考訳（メタデータ） (2023-03-24T09:45:11Z) - A Dataset for Greek Traditional and Folk Music: Lyra [69.07390994897443]
本稿では,80時間程度で要約された1570曲を含むギリシャの伝統音楽と民俗音楽のデータセットについて述べる。
このデータセットにはYouTubeのタイムスタンプ付きリンクが組み込まれており、オーディオやビデオの検索や、インスツルメンテーション、地理、ジャンルに関する豊富なメタデータ情報が含まれている。
論文 参考訳（メタデータ） (2022-11-21T14:15:43Z) - Symphony Generation with Permutation Invariant Language Model [57.75739773758614]
変分不変言語モデルに基づくシンフォニーネットという記号的シンフォニー音楽生成ソリューションを提案する。
シンフォニートークンの超長いシーケンスをモデル化するためのバックボーンとして、新しいトランスフォーマーデコーダアーキテクチャが導入された。
実験結果から,提案手法は人間の構成と比べ,コヒーレント,新規,複雑,調和的な交響曲を生成できることが示唆された。
論文 参考訳（メタデータ） (2022-05-10T13:08:49Z) - Differential Music: Automated Music Generation Using LSTM Networks with
Representation Based on Melodic and Harmonic Intervals [0.0]
本稿では,LSTMネットワークを用いた自動作曲のための生成AIモデルを提案する。
絶対的なピッチではなく音楽の動きに基づく音楽情報の符号化に新しいアプローチをとる。
実験結果は、音楽やトーンを聴くと約束を示す。
論文 参考訳（メタデータ） (2021-08-23T23:51:08Z) - 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) - dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
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。
論文 参考訳（メタデータ） (2020-07-29T19:20:07Z) - RL-Duet: Online Music Accompaniment Generation Using Deep Reinforcement
Learning [69.20460466735852]
本稿では,オンライン伴奏生成のための深層強化学習アルゴリズムを提案する。
提案アルゴリズムは人体に応答し,メロディック,ハーモニック,多種多様な機械部品を生成する。
論文 参考訳（メタデータ） (2020-02-08T03:53:52Z)
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。