論文の概要: AutoSchA: Automatic Hierarchical Music Representations via Multi-Relational Node Isolation
- arxiv url: http://arxiv.org/abs/2512.18232v1
- Date: Sat, 20 Dec 2025 06:22:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.244164
- Title: AutoSchA: Automatic Hierarchical Music Representations via Multi-Relational Node Isolation
- Title（参考訳）: AutoSchA:マルチリレーショナルノード分離による階層音楽の自動表現
- Authors: Stephen Ni-Hahn, Rico Zhu, Jerry Yin, Yue Jiang, Cynthia Rudin, Simon Mak,
- Abstract要約: 階層的な表現は多くの音楽ジャンルを分析するために強力で原則化されたアプローチを提供する。
本稿では,階層音楽解析のためのグラフニューラルネットワーク(GNN)の最近の発展を延長する新しいアプローチであるAutoSchAを紹介する。
実験では,バロック・フーガの被験者を解析する際に,AutoSchAが人間の専門家と相容れない性能を発揮することを示した。
- 参考スコア（独自算出の注目度）: 26.957190500566437
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Hierarchical representations provide powerful and principled approaches for analyzing many musical genres. Such representations have been broadly studied in music theory, for instance via Schenkerian analysis (SchA). Hierarchical music analyses, however, are highly cost-intensive; the analysis of a single piece of music requires a great deal of time and effort from trained experts. The representation of hierarchical analyses in a computer-readable format is a further challenge. Given recent developments in hierarchical deep learning and increasing quantities of computer-readable data, there is great promise in extending such work for an automatic hierarchical representation framework. This paper thus introduces a novel approach, AutoSchA, which extends recent developments in graph neural networks (GNNs) for hierarchical music analysis. AutoSchA features three key contributions: 1) a new graph learning framework for hierarchical music representation, 2) a new graph pooling mechanism based on node isolation that directly optimizes learned pooling assignments, and 3) a state-of-the-art architecture that integrates such developments for automatic hierarchical music analysis. We show, in a suite of experiments, that AutoSchA performs comparably to human experts when analyzing Baroque fugue subjects.
- Abstract（参考訳）: 階層的な表現は多くの音楽ジャンルを分析するために強力で原則化されたアプローチを提供する。
このような表現は、例えばSchenkerian analysis (SchA) を通じて、音楽理論において広く研究されている。
しかし、階層音楽の分析は非常にコストがかかり、単一の楽曲の分析には、訓練された専門家による多大な時間と労力が必要である。
コンピュータ可読形式における階層解析の表現は、さらなる課題である。
近年の階層的深層学習の進展とコンピュータ可読データの増加を考えると,自動階層的表現フレームワークの実現には大きな期待が持たれている。
そこで本稿では,階層音楽解析のためのグラフニューラルネットワーク(GNN)の最近の発展を延長する,新しいアプローチであるAutoSchAを紹介する。
AutoSchAには3つの重要なコントリビューションがある。
1)階層音楽表現のための新しいグラフ学習フレームワーク
2)学習したプール割り当てを直接最適化するノード分離に基づく新しいグラフプーリング機構
3) 自動階層的音楽分析にこのような発展を取り入れた最先端アーキテクチャ。
実験では,バロック・フーガの被験者を解析する際に,AutoSchAが人間の専門家と相容れない性能を発揮することを示した。
関連論文リスト
- Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
線形木探索はLarge Language Model (LLM) 研究の基盤となっている。
本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-11T03:29:18Z) - Discovering "Words" in Music: Unsupervised Learning of Compositional Sparse Code for Symbolic Music [50.87225308217594]
本稿では,記号的音楽データから「音楽単語」と呼ばれる繰り返しパターンを識別する教師なし機械学習アルゴリズムを提案する。
本稿では,音楽単語発見の課題を統計的最適化問題として定式化し,二段階予測最大化(EM)に基づく学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-29T11:10:57Z) - Progressive Rock Music Classification [0.0]
本研究では,複雑な構成と多種多様な楽器を特徴とするジャンルである,プログレッシブ・ロック音楽の分類について検討する。
我々は、スペクトログラム、Mel-Frequency Cepstral Coefficients (MFCC)、クロマグラム、歌のスニペットからのビート位置などの総合的なオーディオ特徴を抽出した。
スニペットレベルの予測を最終曲分類に集約するために、すべての投票を勝者とする戦略が採用された。
論文 参考訳（メタデータ） (2025-04-15T02:48:52Z) - Synthesizing Composite Hierarchical Structure from Symbolic Music Corpora [32.18458296933001]
構造時間グラフ(STG)と呼ばれる音楽構造の統一的階層的メタ表現を提案する。
シングルピースの場合、STGは、より微細な構造的音楽的特徴の階層構造とそれらの間の時間的関係を定義するデータ構造である。
論文 参考訳（メタデータ） (2025-02-21T02:32:29Z) - A New Dataset, Notation Software, and Representation for Computational Schenkerian Analysis [20.718872433254806]
シェーンケリアン分析(Schenkerian Analysis、SchA)は、メロディ、ハーモニー、カウンターポイント、フォームの要素を組み合わせて、音楽作品を支える階層構造を記述する音楽分析の手法である。
SchAはコンピュータ音楽コミュニティによって利用されることはめったにない。
シェンカーデータのより大きなコーパスにより、音楽構造をより深く理解した機械学習モデルを注入することができ、より「人間的」な結果をもたらす可能性がある。
論文 参考訳（メタデータ） (2024-08-13T19:52:06Z) - Learning Hierarchical Metrical Structure Beyond Measures [3.7294116330265394]
階層構造アノテーションは、音楽情報検索とコンピュータ音楽学に役立つ。
スコアから階層的メートル法構造を自動的に抽出するデータ駆動手法を提案する。
提案手法は,異なるオーケストレーション環境下でのルールベースアプローチよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-09-21T11:08:52Z) - Autoregressive Search Engines: Generating Substrings as Document
Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。
これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。
本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文 参考訳（メタデータ） (2022-04-22T10:45:01Z) - Exploring single-song autoencoding schemes for audio-based music
structure analysis [6.037383467521294]
この研究は、低次元のオートエンコーダを訓練し、特定の歌に特有の潜在/圧縮表現を学習する「ピース固有」オートエンコード方式を探求する。
提案手法は,3秒耐性を有する教師付き最先端手法の性能レベルを実現する。
論文 参考訳（メタデータ） (2021-10-27T13:48:25Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Sequence Generation using Deep Recurrent Networks and Embeddings: A
study case in music [69.2737664640826]
本稿では,異なる種類の記憶機構(メモリセル)について評価し,音楽合成分野におけるその性能について検討する。
提案したアーキテクチャの性能を自動評価するために,定量的な測定値のセットが提示される。
論文 参考訳（メタデータ） (2020-12-02T14:19:19Z) - Modeling Musical Structure with Artificial Neural Networks [0.0]
音楽構造モデリングのさまざまな側面に対する人工知能の適用について検討する。
Gated Autoencoder(GAE)というコネクショナリストモデルを用いて,楽曲の断片間の変換を学習する方法を示す。
本稿では,ポリフォニック・ミュージックを区間の連続として表現するGAEの特別な予測訓練を提案する。
論文 参考訳（メタデータ） (2020-01-06T18:35:57Z)
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。