論文の概要: Beyond the Hook: Predicting Billboard Hot 100 Chart Inclusion with Machine Learning from Streaming, Audio Signals, and Perceptual Features
- arxiv url: http://arxiv.org/abs/2509.24856v1
- Date: Mon, 29 Sep 2025 14:41:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:20.052448
- Title: Beyond the Hook: Predicting Billboard Hot 100 Chart Inclusion with Machine Learning from Streaming, Audio Signals, and Perceptual Features
- Title（参考訳）: フックを超えて - ストリーミング、オーディオ信号、知覚機能によるマシンラーニングによるビルボードHot 100チャートのインクルード予測
- Authors: Christos Mountzouris,
- Abstract要約: 本研究は,Billboard Hot 100 チャートにトラックを組み込む際の最も強い予測的影響を決定要因が持つかを検討した。
この分析によると、人気はBillboard Hot 100のインクルードで最も決定的な予測だった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advent of digital streaming platforms have recently revolutionized the landscape of music industry, with the ensuing digitalization providing structured data collections that open new research avenues for investigating popularity dynamics and mainstream success. The present work explored which determinants hold the strongest predictive influence for a track's inclusion in the Billboard Hot 100 charts, including streaming popularity, measurable audio signal attributes, and probabilistic indicators of human listening. The analysis revealed that popularity was by far the most decisive predictor of Billboard Hot 100 inclusion, with considerable contribution from instrumentalness, valence, duration and speechiness. Logistic Regression achieved 90.0% accuracy, with very high recall for charting singles (0.986) but lower recall for non-charting ones (0.813), yielding balanced F1-scores around 0.90. Random Forest slightly improved performance to 90.4% accuracy, maintaining near-perfect precision for non-charting singles (0.990) and high recall for charting ones (0.992), with F1-scores up to 0.91. Gradient Boosting (XGBoost) reached 90.3% accuracy, delivering a more balanced trade-off by improving recall for non-charting singles (0.837) while sustaining high recall for charting ones (0.969), resulting in F1-scores comparable to the other models.
- Abstract（参考訳）: デジタルストリーミングプラットフォームの出現は、最近音楽産業の風景に革命をもたらし、その後のデジタル化によって構造化データ収集が提供され、人気動態とメインストリームの成功を調査するための新たな研究の道が開かれた。
本研究は,ビルボードホット100チャートにトラックを組み込む上で,どの決定要因が最大の予測的影響を持つかを検討した。
この分析によると、人気はBillboard Hot 100のインクルージョンで最も決定的な予測者であり、器楽性、有能性、持続時間、発話性からかなりの貢献があった。
ロジスティック回帰は90.0%の精度を達成し、チャートシングル(0.986)のリコール率は非常に高かったが、非チャートシングル(0.813)のリコール率は非常に低く、バランスの取れたF1スコアは約0.90である。
ランサムフォレストは性能を90.4%に改善し、非チャーティングシングル(0.990)のほぼ完全な精度を維持し、チャートリングシングル(0.992)のハイリコールを維持し、F1スコアは0.91まで向上した。
グラディエント・ブースティング (XGBoost) は90.3%の精度に達し、非チャーティングシングル (0.837) のリコールを改善し、チャートリングシングル (0.969) のリコールを維持し、F1スコアを他のモデルに匹敵する結果となった。
関連論文リスト
- Enhancing Pavement Crack Classification with Bidirectional Cascaded Neural Networks [3.23451089389063]
本稿では,2方向カスケードニューラルネットワーク(BCNN)の実装と評価について述べる。
提案したBCNNモデルは,前向き情報流と後向き情報流の両方を活用するために設計され,そのカスケード構造により検出精度が向上した。
総合精度は87%で,精度,リコール,F1スコアは各カテゴリーで高い有効性を示した。
論文 参考訳（メタデータ） (2025-03-27T20:08:15Z) - Aligning Text-to-Music Evaluation with Human Preferences [63.08368388389259]
本稿では,TTM(生成音響テキスト・ツー・ミュージック)モデルの評価のための基準ベース分散指標の設計空間について検討する。
私たちは、合成データと人間の嗜好データの両方に標準のFAD設定が矛盾しているだけでなく、既存の指標のほとんどすべてがデシデラタを効果的に捉えていないことに気付きました。
我々は,自己教師型音声埋め込みモデルから表現に基づいて計算したMAUVE Audio Divergence(MAD)を提案する。
論文 参考訳（メタデータ） (2025-03-20T19:31:04Z) - Efficient auto-labeling of large-scale poultry datasets (ALPD) using an ensemble model with self- and active-learning approaches [4.6951658997946755]
本研究では,半教師付きオートラベル手法を探求し,自己学習と能動的学習のアプローチを統合して,大規模養鶏データセット(ALPD)の自動ラベル化のための効率的なラベルスカースフレームワークを開発する。
その結果, ブロイラーとヘン検出の性能指標を教師あり学習下で比較した場合, YOLOv8s-WorldとYOLOv9sの方が優れていた。
YOLO-Worldハイブリッドモデルは、最適なYOLOv8sバックボーンをゼロショットモデルに組み込んだもので、全体的な性能が最も高かった。
論文 参考訳（メタデータ） (2025-01-18T16:20:04Z) - Iterative Reasoning Preference Optimization [84.15992372132507]
生成したChain-of-Thought(CoT)候補間の嗜好を最適化するための反復的アプローチを開発する。
このスキームの繰り返し繰り返しにおける推論の改善を示す。
例えば、GSM8Kは55.6%から81.6%に大きく改善され、精度は88.7%となり、32のサンプルのうち多数が投票した。
論文 参考訳（メタデータ） (2024-04-30T17:28:05Z) - Improving Personalisation in Valence and Arousal Prediction using Data Augmentation [2.447631206868802]
本稿では、データ拡張を利用したパーソナライズ戦略の強化について述べる。
提案手法であるDWA(Distance Weighting Augmentation)では,対象者のデータセットを拡大する重み付けに基づく拡張手法を採用している。
MuSe-Personalisation 2023 Challengeデータセットの実験結果から,提案手法は特徴セットの性能を著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-04-13T16:57:37Z) - Beyond Beats: A Recipe to Song Popularity? A machine learning approach [2.6422127672474933]
本研究は,歌の人気予測における各種機械学習モデルの予測力について検討することを目的とする。
楽曲の特徴と人気に対する影響を分析するために,通常最小方形(OLS)回帰分析を用いる。
ランダムフォレストが最も効果的なモデルとして登場し、平均スコアに比べて予測精度が7.1%向上している。
論文 参考訳（メタデータ） (2024-03-01T17:14:41Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - An extensible point-based method for data chart value detection [7.9137747195666455]
本稿では,リバースエンジニアリングデータチャートに意味点を識別する手法を提案する。
提案手法では,グラフ上の関心点の位置を直接予測するために,ポイント提案ネットワークを用いる。
我々は科学文献において,0.8705 F1の精度で有意な点を検出できる複雑なバーチャートに注目した。
論文 参考訳（メタデータ） (2023-08-22T21:03:58Z) - Reliable Label Correction is a Good Booster When Learning with Extremely
Noisy Labels [65.79898033530408]
極音下での学習に明示的に取り組むために,LC-Boosterと呼ばれる新しい枠組みを導入する。
LC-Boosterは、ラベル補正をサンプル選択に組み込むことで、信頼性の高いラベル修正を通じて、より精製されたサンプルをトレーニングに利用することができる。
実験により、LC-Boosterはいくつかのノイズラベルベンチマークで最先端の結果を前進させることが示された。
論文 参考訳（メタデータ） (2022-04-30T07:19:03Z) - To be Critical: Self-Calibrated Weakly Supervised Learning for Salient
Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。
擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。
十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文 参考訳（メタデータ） (2021-09-04T02:45:22Z) - DeBERTa: Decoding-enhanced BERT with Disentangled Attention [119.77305080520718]
2つの新しい手法を用いてBERTモデルとRoBERTaモデルを改善する新しいモデルアーキテクチャDeBERTaを提案する。
これらの手法により,モデル事前学習の効率化と,自然言語理解(NLU)と自然言語生成(NLG)の両方の性能向上が期待できる。
論文 参考訳（メタデータ） (2020-06-05T19:54:34Z)
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。