論文の概要: A Dataset and Baselines for Measuring and Predicting the Music Piece Memorability

• arxiv url: http://arxiv.org/abs/2405.12847v1
• Date: Tue, 21 May 2024 14:57:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-22 13:00:17.722062
• Title: A Dataset and Baselines for Measuring and Predicting the Music Piece Memorability
• Title（参考訳）: 楽譜の記憶可能性の測定・予測のためのデータセットとベースライン
• Authors: Li-Yang Tseng, Tzu-Ling Lin, Hong-Han Shuai, Jen-Wei Huang, Wen-Whei Chang,
• Abstract要約: 音楽の記憶力の測定と予測に重点を置いている。 私たちは、音楽の記憶可能性の予測と分析のためにベースラインを訓練します。 改善の余地はあるものの、限られたデータで音楽の記憶可能性を予測することは可能であることを実証する。
• 参考スコア（独自算出の注目度）: 16.18336216092687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, humans are constantly exposed to music, whether through voluntary streaming services or incidental encounters during commercial breaks. Despite the abundance of music, certain pieces remain more memorable and often gain greater popularity. Inspired by this phenomenon, we focus on measuring and predicting music memorability. To achieve this, we collect a new music piece dataset with reliable memorability labels using a novel interactive experimental procedure. We then train baselines to predict and analyze music memorability, leveraging both interpretable features and audio mel-spectrograms as inputs. To the best of our knowledge, we are the first to explore music memorability using data-driven deep learning-based methods. Through a series of experiments and ablation studies, we demonstrate that while there is room for improvement, predicting music memorability with limited data is possible. Certain intrinsic elements, such as higher valence, arousal, and faster tempo, contribute to memorable music. As prediction techniques continue to evolve, real-life applications like music recommendation systems and music style transfer will undoubtedly benefit from this new area of research.
• Abstract（参考訳）: 今日では、自発的なストリーミングサービスや、商業的な休憩中の偶然の出会いを通じて、人間が常に音楽に晒されている。 音楽が豊富にあるにもかかわらず、一部の曲は記憶に残るものが多く、しばしば人気が高まる。 この現象に触発され,音楽の記憶可能性の測定と予測に焦点が当てられた。 そこで我々は,新たなインタラクティブな実験手法を用いて,信頼性の高い記憶可能性ラベルを持つ新しい楽曲データセットを収集した。 次に、ベースラインをトレーニングし、解釈可能な特徴と音声メル-スペクトログラムの両方を入力として利用し、音楽の記憶可能性の予測と分析を行う。 我々の知る限りでは、我々はデータ駆動の深層学習に基づく手法を用いて、初めて音楽の記憶可能性を探究している。 一連の実験とアブレーション研究を通じて、改善の余地はあるものの、限られたデータで音楽の記憶可能性を予測することが可能であることを実証した。 高い原子価、覚醒、より速いテンポのような固有の要素は記憶に残る音楽に寄与する。 予測技術が進化を続けるにつれ、音楽レコメンデーションシステムや音楽スタイルの転送といった現実的な応用は、間違いなくこの新しい研究分野の恩恵を受けるだろう。

関連論文リスト

• A Survey of Foundation Models for Music Understanding [60.83532699497597]
  この研究は、AI技術と音楽理解の交差に関する初期のレビューの1つである。 音楽理解能力に関して,近年の大規模音楽基盤モデルについて検討,分析,検証を行った。
  論文  参考訳（メタデータ） (2024-09-15T03:34:14Z)
• MeLFusion: Synthesizing Music from Image and Language Cues using Diffusion Models [57.47799823804519]
  私たちは、ミュージシャンが映画の脚本だけでなく、視覚化を通して音楽を作る方法にインスピレーションを受けています。 本稿では,テキスト記述と対応する画像からの手がかりを効果的に利用して音楽を合成するモデルであるMeLFusionを提案する。 音楽合成パイプラインに視覚情報を加えることで、生成した音楽の質が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-06-07T06:38:59Z)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• 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)
• Novelty and Cultural Evolution in Modern Popular Music [0.0]
  現代美術品と現代美術品を比較して、新しい工芸品を同定する。 1974年から2013年にかけて,Billboard Hot 100曲の楽曲情報検索(MIR)データと歌詞を用いて,各楽曲の聴覚特性と歌詞の新規性スコアを算出する。
  論文  参考訳（メタデータ） (2022-06-15T18:25:39Z)
• Multi-task Learning with Metadata for Music Mood Classification [0.0]
  ムード認識は音楽情報学において重要な問題であり、音楽発見とレコメンデーションに重要な応用がある。 マルチタスク学習手法を提案する。この手法では、共有されたモデルが、気分やメタデータの予測タスクに対して同時に訓練される。 我々の手法を既存の最先端の畳み込みニューラルネットワークに適用することにより、その性能を継続的に改善する。
  論文  参考訳（メタデータ） (2021-10-10T11:36:34Z)
• MusicBERT: Symbolic Music Understanding with Large-Scale Pre-Training [97.91071692716406]
  シンボリック・ミュージックの理解(シンボリック・ミュージックの理解)とは、シンボリック・データから音楽を理解することを指す。 MusicBERTは、音楽理解のための大規模な事前訓練モデルである。
  論文  参考訳（メタデータ） (2021-06-10T10:13:05Z)
• Musical Prosody-Driven Emotion Classification: Interpreting Vocalists Portrayal of Emotions Through Machine Learning [0.0]
  音楽の韻律の役割は、いくつかの研究が韻律と感情の強い結びつきを示しているにもかかわらず、まだ解明されていない。 本研究では,従来の機械学習アルゴリズムの入力を音楽韻律の特徴に限定する。 我々は,ボーカリストの個人データ収集手法と,アーティスト自身による個人的根拠的真理ラベル付け手法を利用する。
  論文  参考訳（メタデータ） (2021-06-04T15:40:19Z)
• Music Embedding: A Tool for Incorporating Music Theory into Computational Music Applications [0.3553493344868413]
  音楽理論と簡潔な方法で音楽をデジタル的に表現することが重要である。 音楽理論の活用の観点からは、既存の音楽表現のアプローチは効果がない。
  論文  参考訳（メタデータ） (2021-04-24T04:32:45Z)
• Multi-Modal Music Information Retrieval: Augmenting Audio-Analysis with Visual Computing for Improved Music Video Analysis [91.3755431537592]
  この論文は、音声分析とコンピュータビジョンを組み合わせて、マルチモーダルの観点から音楽情報検索(MIR)タスクにアプローチする。 本研究の主な仮説は、ジャンルやテーマなど特定の表現的カテゴリーを視覚的内容のみに基づいて認識できるという観察に基づいている。 実験は、3つのMIRタスクに対して行われ、アーティスト識別、音楽ジェネア分類、クロスジェネア分類を行う。
  論文  参考訳（メタデータ） (2020-02-01T17:57:14Z)

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。