論文の概要: Moonlight in Latent Space: Chirality and Structural Correspondence Between Beethoven's Op. 27 No. 2 and Machine Learning Mechanisms
- arxiv url: http://arxiv.org/abs/2606.14612v1
- Date: Fri, 12 Jun 2026 16:35:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.990594
- Title: Moonlight in Latent Space: Chirality and Structural Correspondence Between Beethoven's Op. 27 No. 2 and Machine Learning Mechanisms
- Title（参考訳）: 潜時空間における月明かり--ベートーヴェンのOps. 27 No. 2と機械学習機構のキラリティーと構造対応
- Authors: Chen Ying Claude, Zhihan Luo,
- Abstract要約: ベートーヴェンの「Moonlight Sonata」の3つの動きは、3つの異なる機械学習アーキテクチャをインスタンス化することを示した。
我々は、エンコード・デコード・サイクルのキラリティ、すなわち、どの分布が保存され、順序づけられた順序が破壊されるかを定量化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We show that the three movements of Beethoven's "Moonlight Sonata" (Op. 27 No. 2) instantiate three distinct machine learning architectures -- not by analogy, but by structural correspondence. Through computational analysis of the score (entropy, Jensen-Shannon divergence, dissonance, hand distributional overlap, self-similarity matrices, temporal memory decay, and contextual pitch embeddings), we establish four counterintuitive findings: (1) perceived musical "temperature" is governed by throughput, not distributional width; (2) the lightest movement carries the highest dissonance; (3) the movements implement streaming, recurrent, and periodic positional encoding memory architectures; and (4) the same pitch class acquires different contextual identities across movements, analogous to contextual vs.static embeddings in NLP -- and unsupervised clustering recovers the tonal structure without music-theoretic input. We construct a reverse sonification (decoding analytical features back into MIDI) and quantify the chirality of the encode-decode cycle: what distributions preserve and sequential ordering destroys. Prompted by a listener's observation that the decoded piece sounds like "mirror isomers that can't be superimposed," the chirality measurement reveals reconstruction loss increasing monotonically with n-gram order. Bootstrap baselines and subsample checks confirm all movements carry sequential information above noise, though raw values are confounded by sample size. Cross-domain comparison shows natural language has higher chirality than music, reflecting stronger sequential constraints.
- Abstract（参考訳）: ベートーヴェンの『月光ソナタ』(Op。
27号。
2) アナロジーではなく構造対応によって、3つの異なる機械学習アーキテクチャをインスタンス化する。
楽譜(エントロピー,ジェンセン=シャノンの発散,不協和,手動の重複,自己相似性行列,時間的記憶減衰,文脈的ピッチ埋め込み)の計算解析を通じて,(1)音楽の「温度」はスループットによって制御されるが,分布幅は小さく,(2)最も軽い動きは高い不協和性を持ち,(3)動きはストリーミング,リカレント,周期的な位置符号化メモリアーキテクチャを実装し,(4)同じピッチクラスは,動作の異なるコンテキスト的アイデンティティを取得し,NLPの文脈的対静的埋め込みに類似し,教師なしクラスタリングは音楽理論的な入力を伴わない構造に回復する。
我々は、逆音素化(MIDIに復号化)を構築し、エンコード・デコード・サイクルのキラリティ、すなわち分布の保存と順序順序付けの破壊を定量化する。
聴取者の観察によると、このデコードされたピースは「重畳できないミラー異性体」のようで、キラリティ測定により、n-gramオーダーで単調に増大する復元損失が明らかとなった。
ブートストラップベースラインとサブサンプルチェックは、すべての動作がノイズの上のシーケンシャルな情報を持っていることを確認します。
クロスドメイン比較は、自然言語が音楽よりもキラリティが高く、より強い連続的な制約を反映していることを示している。
関連論文リスト
- SymphonyGen: 3D Hierarchical Orchestral Generation with Controllable Harmony Skeleton [26.272034375469943]
SymphonyGenは、撮影オーケストレーションのための3D階層的なフレームワークである。
ビート量子化マルチボイスハーモニースケルトンを用いた「ショートスコア」コンディショニングを導入する。
我々は、意図しない音節衝突を抑制するために、不協和逆サンプリングアルゴリズムを実装した。
論文 参考訳（メタデータ） (2026-04-28T11:01:21Z) - On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。
我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
論文 参考訳（メタデータ） (2026-02-18T20:25:13Z) - Selective Imperfection as a Generative Framework for Analysis, Creativity and Discovery [1.3537117504260623]
音が科学的プローブとしてどのように機能し,聴取が視聴のモードとなり,作曲が物質に対する青写真となるかを示す。
我々は,科学と芸術は制約の下での世界構築の創造的な行為であり,振動はスケールをまたいだ共有文法組織構造であることを示す。
論文 参考訳（メタデータ） (2025-12-30T11:14:51Z) - 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) - DuetGen: Music Driven Two-Person Dance Generation via Hierarchical Masked Modeling [70.79846001735547]
音楽から対話的な2人舞踊を生成するためのフレームワークであるDuetGenを提案する。
近年の運動合成の進歩に触発されて,我々は2段階の解法を提案する。
我々は、両方のダンサーの動きを統合された全体として表現し、必要な動きトークンを学習する。
論文 参考訳（メタデータ） (2025-06-23T14:22:50Z) - Synthia's Melody: A Benchmark Framework for Unsupervised Domain
Adaptation in Audio [4.537310370334197]
無限の4秒のメロディをシミュレートできる新しい音声データ生成フレームワークであるSynthiaのメロディを提示する。
観測条件下で収集された既存のデータセットとは異なり、シンシアのメロディには観測されていないバイアスがない。
評価の結果,Synthia のメロディは,これらのモデルの様々な分布シフトに対する感受性を検証するための頑健なテストベッドを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-26T15:46:06Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳（メタデータ） (2023-06-09T15:38:25Z) - A Unified Model for Zero-shot Music Source Separation, Transcription and
Synthesis [13.263771543118994]
1)混合音源から個々の音源をテキスト化する,2)各音源をMIDI音符に書き起こす,3)分離音源の音色に基づいて新曲を合成する,という3つのタスクの統一モデルを提案する。
このモデルは、人間が音楽を聴くとき、私たちの心は異なる楽器の音を分離できるだけでなく、スコアや音色といったハイレベルな表現も認識できるという事実にインスピレーションを受けています。
論文 参考訳（メタデータ） (2021-08-07T14:28:21Z) - Vector-Quantized Timbre Representation [53.828476137089325]
本稿では, スペクトル特性の近似分解を生成的特徴の集合で学習することにより, 個々の音色をより柔軟に合成することを目的とする。
音量分布の量子化表現を学習するために、大音量から切り離された離散潜在空間を持つオートエンコーダを導入する。
オーケストラ楽器と歌唱音声間の音声の翻訳結果と、ボーカルの模倣音から楽器への変換結果について詳述する。
論文 参考訳（メタデータ） (2020-07-13T12:35:45Z) - Continuous Melody Generation via Disentangled Short-Term Representations
and Structural Conditions [14.786601824794369]
ユーザが指定したシンボリックシナリオと過去の音楽コンテキストを組み合わせることで,メロディーを構成するモデルを提案する。
本モデルでは,8拍子の音符列を基本単位として長い旋律を生成でき,一貫したリズムパターン構造を他の特定の歌と共有することができる。
その結果,本モデルが生成する音楽は,顕著な繰り返し構造,豊かな動機,安定したリズムパターンを有する傾向が示唆された。
論文 参考訳（メタデータ） (2020-02-05T06:23:44Z)
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。