論文の概要: No Encore: Unlearning as Opt-Out in Music Generation

• arxiv url: http://arxiv.org/abs/2509.06277v1
• Date: Mon, 08 Sep 2025 01:56:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.934569
• Title: No Encore: Unlearning as Opt-Out in Music Generation
• Title（参考訳）: No Encore:音楽生成におけるオプトアウトとしてのアンラーニング
• Authors: Jinju Kim, Taehan Kim, Abdul Waheed, Rita Singh,
• Abstract要約: 本稿では,創造的コンテンツの不注意な使用を防ぐために,機械学習技術の初回適用に関する予備的結果を示す。 モデル性能を損なうことなく、未学習の事前学習データセットにおけるそれらの有効性を分析する。
• 参考スコア（独自算出の注目度）: 23.284221076340746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI music generation is rapidly emerging in the creative industries, enabling intuitive music generation from textual descriptions. However, these systems pose risks in exploitation of copyrighted creations, raising ethical and legal concerns. In this paper, we present preliminary results on the first application of machine unlearning techniques from an ongoing research to prevent inadvertent usage of creative content. Particularly, we explore existing methods in machine unlearning to a pre-trained Text-to-Music (TTM) baseline and analyze their efficacy in unlearning pre-trained datasets without harming model performance. Through our experiments, we provide insights into the challenges of applying unlearning in music generation, offering a foundational analysis for future works on the application of unlearning for music generative models.
• Abstract（参考訳）: AI音楽生成は、テキスト記述から直感的な音楽生成を可能にする創造的産業において急速に発展しつつある。 しかし、これらの制度は著作権を侵害し、倫理的・法的懸念を提起するリスクを生じさせる。 本稿では、創造的コンテンツの不注意な使用を防ぐために、現在進行中の研究から、機械学習技術の第一段階適用に関する予備的な結果を示す。 特に,機械学習における既存の手法を,事前学習されたテキスト・ツー・ミュージック(TTM)ベースラインに探索し,モデル性能を損なうことなく,未学習の事前学習データセットの有効性を解析する。 実験を通じて,音楽生成に未学習を適用する上での課題に対する洞察を提供し,音楽生成モデルへの未学習の適用に関する今後の研究に対する基礎的な分析を提供する。

関連論文リスト

• Machine Learning: a Lecture Note [51.31735291774885]
  この講義ノートは、データサイエンスの初等生と博士課程の学生、あるいは機械学習の基礎的アイデアに関する規律を準備することを目的としている。 それは、機械学習の基本的なアイデアから始まり、分類を主なターゲットタスクとする。 これらの基本的な考え方に基づいて、講義ノートは教師なし学習に対する確率論的アプローチを深く探求する。
  論文  参考訳（メタデータ） (2025-05-06T16:03:41Z)
• Detecting Musical Deepfakes [0.0]
  本研究では,FakeMusicCapsデータセットを用いたAI生成楽曲の検出について検討した。 実世界の逆境条件をシミュレートするため, テンポストレッチとピッチシフトをデータセットに適用した。 メルスペクトログラムは、修正されたオーディオから生成され、その後、畳み込みニューラルネットワークのトレーニングと評価に使用された。
  論文  参考訳（メタデータ） (2025-05-03T21:45:13Z)
• Tuning Music Education: AI-Powered Personalization in Learning Music [0.2046223849354785]
  本稿では,音楽教育の課題に対処するために,このような音楽技術の進歩を利用した2つのケーススタディを提案する。 最初のケーススタディでは、音声トラックからパーソナライズされたエクササイズを生成するために、自動コード認識を使用するアプリケーションを紹介した。 第2のケーススタディでは,アダプティブピアノ方式の本を試作し,オートマチック・ミュージック・トランストラクレーションを用いて,異なるスキルレベルでのエクササイズを生成する。
  論文  参考訳（メタデータ） (2024-12-18T05:25:42Z)
• Foundation Models for Music: A Survey [77.77088584651268]
  ファンデーションモデル(FM)は音楽を含む様々な分野に大きな影響を与えている。 本総説では,音楽の事前学習モデルと基礎モデルについて概観する。
  論文  参考訳（メタデータ） (2024-08-26T15:13:14Z)
• ERNIE-Music: Text-to-Waveform Music Generation with Diffusion Models [67.66825818489406]
  本稿では拡散モデルの利用を基盤としたテキストから波形への音楽生成モデルを提案する。 本手法は,波形生成プロセスの指針となる条件因子として,自由形式のテキストプロンプトの革新的導入を前提としている。 波形領域における我々の生成した音楽は、多様性、品質、およびテキスト音楽の関連性において、以前の作品よりも大きなマージンで優れていたことを実証する。
  論文  参考訳（メタデータ） (2023-02-09T06:27:09Z)
• 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)
• A Review of Intelligent Music Generation Systems [4.287960539882345]
  ChatGPTは、クリエイティブな取り組みにおける非プロフェッショナルの参入障壁を著しく減らした。 現代の生成アルゴリズムは、規則制約や音楽コーパスに基づいて、音楽に暗黙的なパターンを抽出することができる。
  論文  参考訳（メタデータ） (2022-11-16T13:43:16Z)
• From Artificial Neural Networks to Deep Learning for Music Generation -- History, Concepts and Trends [0.0]
  本稿では,ディープラーニング技術に基づく音楽生成のチュートリアルを提供する。 1980年代後半から、音楽生成のための人工ニューラルネットワークを用いて、いくつかの初期の作品を分析している。
  論文  参考訳（メタデータ） (2020-04-07T00:33:56Z)

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。