論文の概要: Gregorian melody, modality, and memory: Segmenting chant with Bayesian nonparametrics

• arxiv url: http://arxiv.org/abs/2507.00380v1
• Date: Tue, 01 Jul 2025 02:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.232675
• Title: Gregorian melody, modality, and memory: Segmenting chant with Bayesian nonparametrics
• Title（参考訳）: グレゴリオのメロディ、モダリティ、記憶:ベイズ的非パラメトリックによるセグメンテーション
• Authors: Vojtěch Lanz, Jan Hajič jr,
• Abstract要約: ネストした階層型Pitman-Yor言語モデルを用いて,旋律メロディの最適教師なしセグメンテーションを探索する。 このようなメモリ最適セグメンテーションでさえ、センドン化とは解釈されない。
• 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 idea that Gregorian melodies are constructed from some vocabulary of segments has long been a part of chant scholarship. This so-called "centonisation" theory has received much musicological criticism, but frequent re-use of certain melodic segments has been observed in chant melodies, and the intractable number of possible segmentations allowed the option that some undiscovered segmentation exists that will yet prove the value of centonisation, and recent empirical results have shown that segmentations can outperform music-theoretical features in mode classification. Inspired by the fact that Gregorian chant was memorised, we search for an optimal unsupervised segmentation of chant melody using nested hierarchical Pitman-Yor language models. The segmentation we find achieves state-of-the-art performance in mode classification. Modeling a monk memorising the melodies from one liturgical manuscript, we then find empirical evidence for the link between mode classification and memory efficiency, and observe more formulaic areas at the beginnings and ends of melodies corresponding to the practical role of modality in performance. However, the resulting segmentations themselves indicate that even such a memory-optimal segmentation is not what is understood as centonisation.
• Abstract（参考訳）: グレゴリオの旋律はいくつかの節の語彙から構築されているという考えは、長い間、聖歌の奨学金の一部であった。 このいわゆる「中心化」理論は音楽学的批判を受けてきたが、唱歌旋律において特定の旋律的部分の頻繁な再使用が観察され、いくつかの未発見セグメンテーションが存在するという選択肢は、まだセグメンテーションの価値を証明できないものであり、近年の実証的な結果は、セグメンテーションがモード分類における音楽理論的特徴より優れていることを示している。 グレゴリオ聖歌が記憶されているという事実に触発され、ネストした階層的なピトマン・ヨル語モデルを用いて、聖歌メロディの最適な教師なしセグメンテーションを探す。 セグメンテーションはモード分類における最先端の性能を達成する。 ある典礼写本からメロディを記憶した僧侶をモデル化し、モード分類と記憶効率の関連を実証的に証明し、パフォーマンスにおけるモダリティの実践的役割に対応するメロディの始点と終端のより公式的な領域を観察する。 しかし、結果として生じるセグメンテーションそのものは、そのようなメモリ最適化セグメンテーションでさえ、センドン化とは解釈されないことを示している。

関連論文リスト

• Scaling Self-Supervised Representation Learning for Symbolic Piano Performance [52.661197827466886]
  本研究では,多量のシンボリック・ピアノ転写を訓練した自己回帰型トランスフォーマモデルの能力について検討した。 比較的小型で高品質なサブセットをファインチューンモデルに使い、音楽の継続を生成、シンボリックな分類タスクを実行し、汎用的なコントラストMIDI埋め込みを生成する。
  論文  参考訳（メタデータ） (2025-06-30T14:00:14Z)
• Supervised contrastive learning from weakly-labeled audio segments for musical version matching [21.88094295569794]
  本稿では,弱い注釈付きセグメントから学習する手法を提案する。 これら2つの要素により、標準トラックレベル評価において最先端の結果を得るだけでなく、セグメントレベル評価においてブレークスルー性能を得る。
  論文  参考訳（メタデータ） (2025-02-24T08:01:40Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• Re-creation of Creations: A New Paradigm for Lyric-to-Melody Generation [158.54649047794794]
  Re-creation of Creations (ROC)は、歌詞からメロディ生成のための新しいパラダイムである。 ROCは、Lyric-to-Meody生成において、優れたLyric-Meody特徴アライメントを実現する。
  論文  参考訳（メタデータ） (2022-08-11T08:44:47Z)
• Pin the Memory: Learning to Generalize Semantic Segmentation [68.367763672095]
  本稿ではメタラーニングフレームワークに基づくセマンティックセグメンテーションのための新しいメモリ誘導ドメイン一般化手法を提案する。 本手法は,セマンティッククラスの概念的知識を,ドメインを超えて一定であるカテゴリ記憶に抽象化する。
  論文  参考訳（メタデータ） (2022-04-07T17:34:01Z)
• Adaptive Early-Learning Correction for Segmentation from Noisy Annotations [13.962891776039369]
  不正確な注釈付きデータに基づいて訓練されたディープセグメンテーションネットワークの学習ダイナミクスについて検討する。 2つのキー要素を持つノイズの多いアノテーションから分割する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T18:46:23Z)
• Unsupervised Learning of Deep Features for Music Segmentation [8.528384027684192]
  音楽セグメンテーション(英: Music segmentation)は、音楽セグメンテーションの境界を識別し、ラベル付けする問題である。 様々な楽曲セグメンテーションアルゴリズムの性能は、音声を表現するために選択された音声機能に依存している。 本研究では,畳み込みニューラルネットワーク(CNN)を用いたディープ・フィーチャー・埋め込みの教師なしトレーニングを音楽セグメンテーションのために検討した。
  論文  参考訳（メタデータ） (2021-08-30T01:55:44Z)
• DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
  我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。 我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
  論文  参考訳（メタデータ） (2020-05-06T17:42:54Z)

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。