論文の概要: AnalysisGNN: Unified Music Analysis with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2509.06654v1
- Date: Mon, 08 Sep 2025 13:11:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:04.14591
- Title: AnalysisGNN: Unified Music Analysis with Graph Neural Networks
- Title（参考訳）: AnalysisGNN: グラフニューラルネットワークによる統一音楽分析
- Authors: Emmanouil Karystinaios, Johannes Hentschel, Markus Neuwirth, Gerhard Widmer,
- Abstract要約: 我々はAnalyticGNNを紹介した。AnalyticGNNは、データシャッフル戦略と、カスタマイズされたマルチタスク損失を利用する新しいグラフニューラルネットワークフレームワークである。
また,非Chord-Tone予測モジュールを統合し,すべてのタスクから通過音や非機能音を識別・排除する。
- 参考スコア（独自算出の注目度）: 8.180530393436326
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent years have seen a boom in computational approaches to music analysis, yet each one is typically tailored to a specific analytical domain. In this work, we introduce AnalysisGNN, a novel graph neural network framework that leverages a data-shuffling strategy with a custom weighted multi-task loss and logit fusion between task-specific classifiers to integrate heterogeneously annotated symbolic datasets for comprehensive score analysis. We further integrate a Non-Chord-Tone prediction module, which identifies and excludes passing and non-functional notes from all tasks, thereby improving the consistency of label signals. Experimental evaluations demonstrate that AnalysisGNN achieves performance comparable to traditional static-dataset approaches, while showing increased resilience to domain shifts and annotation inconsistencies across multiple heterogeneous corpora.
- Abstract（参考訳）: 近年、音楽分析への計算的アプローチが盛んになっているが、それぞれの分野は特定の分析領域に特化している。
本研究では,タスク固有の分類器間のロジット融合とデータシャッフル戦略を利用した新しいグラフニューラルネットワークフレームワークであるAnalyticGNNを紹介する。
さらに,非Chord-Tone予測モジュールを統合し,すべてのタスクから通過音や非機能音を識別・排除し,ラベル信号の整合性を向上させる。
実験により、AnalyticGNNは、複数の異種コーパスにわたるドメインシフトやアノテーションの不整合に対するレジリエンスを増大させながら、従来の静的データセットアプローチに匹敵する性能を実現していることが示された。
関連論文リスト
- Persistent Homology-induced Graph Ensembles for Time Series Regressions [1.5728609542259502]
永続ホモロジーフィルタに基づくグラフニューラルネットワークのアンサンブルを作成する。
アンサンブルは、注目に基づくルーティング機構を介して、個々の学習者からの信号を集約する。
地震活動予測と交通予測に関する4つの異なる実世界の実験は、我々のアプローチが一本のグラフベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-03-18T13:22:52Z) - Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - SentiQNF: A Novel Approach to Sentiment Analysis Using Quantum Algorithms and Neuro-Fuzzy Systems [2.9565647484584496]
我々は、量子ファジィニューラルネットワーク(QFNN)と呼ばれる感情分析のための新しいハイブリッドアプローチを提案する。
QFNNは量子特性を活用し、ファジィ層を組み込んで古典的な感情分析アルゴリズムの限界を克服する。
提案手法は感情データ処理を高速化し,テキストデータの種類を正確に解析する。
論文 参考訳（メタデータ） (2024-12-17T09:54:17Z) - Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - Neural Tangent Kernels Motivate Graph Neural Networks with
Cross-Covariance Graphs [94.44374472696272]
グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。
その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。
これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
論文 参考訳（メタデータ） (2023-10-16T19:54:21Z) - Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。
最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
論文 参考訳（メタデータ） (2023-06-24T10:21:11Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z)
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。