論文の概要: Emergent Tonal Structure in Learned Chord Embeddings and Its Relation to Tonal Tension

• arxiv url: http://arxiv.org/abs/2609.36460v1
• Date: Tue, 29 Sep 2026 01:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.087747
• Title: Emergent Tonal Structure in Learned Chord Embeddings and Its Relation to Tonal Tension
• Title（参考訳）: 学習コード埋め込みにおける創発的音節構造と音節張力との関係
• Abstract要約: スキップグラムコード埋め込みは音節構造と音節張力との関係を反映していることを示す。 我々は、和音間距離と文脈的和音距離関係から埋め込みに基づく測度を導出する。 解析全体を通して、転置に基づく拡張は一般に学習空間の安定性、音節コヒーレンス、解釈可能性を改善する。
• 参考スコア（独自算出の注目度）: 3.033196534183858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several tonal pitch spaces and computational models have been proposed to analyze tonal structure in Western tonal music, many of them grounded in principles from music theory and used to support tonal analysis with important implications for tonal tension. In parallel, data-driven methods such as skip-gram have been used to learn chord embeddings from symbolic corpora, but their ability to recover tonal structure and its relation to tonal tension remains underexplored. In this work, we investigate how skip-gram chord embeddings reflect tonal structure and whether they provide a useful basis for analyzing structural aspects of tonal tension. Using chord sequences with and without transposition-based augmentation, we evaluate the learned spaces from geometric, functional, and tension-related perspectives. We show that augmented embeddings exhibit strong transposition equivariance, recover a clear circle-of-fifths structure, and support interpretable shifts between key-related regions of the learned space. We then derive embedding-based measures from chord-to-key distance and contextual chord-distance relations, and show that they capture meaningful aspects of tonal tension structure through correspondence with matched tonal measures and moderate alignment with human tension profiles. Across analyses, transposition-based augmentation generally improves the stability, tonal coherence, and interpretability of the learned space.
• Abstract（参考訳）: いくつかの音高空間と計算モデルが西洋の音高音楽の音高構造を解析するために提案され、その多くが音楽理論の原理に基づいており、音高の緊張に重要な意味を持つ音高解析を支援するために用いられている。 平行して、スキップグラムのようなデータ駆動手法はシンボリックコーパスからコード埋め込みを学ぶのに使われてきたが、音節構造と音節張力との関係を回復する能力は未解明のままである。 本研究では,スキップグラムコード埋め込みが音調構造をどのように反映しているか,および音調張力の構造的側面を解析するための有用な基盤を提供するかを検討する。 転置に基づく拡張を伴わないコード列を用いて,幾何学的,機能的,緊張的な視点から学習空間を評価する。 拡張埋め込みは, 強い転置同値を示し, 明瞭な円周構造を復元し, 学習空間のキー関連領域間の解釈可能なシフトをサポートすることを示す。 次に,コード・ツー・キー距離と文脈的コード・距離関係から埋め込み型尺度を導出し,一致した音調尺度との対応と,人間の緊張プロファイルとの適度な整合性によって,音調構造の意味的な側面を捉えることを示す。 解析全体を通して、転置に基づく拡張は一般に学習空間の安定性、音節コヒーレンス、解釈可能性を改善する。

関連論文リスト

• Are Common Substructures Transferable? Riemannian Graph Foundation Model with Neural Vector Bundles [53.65187206795911]
  我々はニューラルベクトルバンドルと呼ばれるグラフ固有の幾何学学習フレームワークを開発した。 GAUGEは,ベクトルバンドルを構築し,幾何学的に整合した局所座標を平坦化する,事前学習可能なニューラルネットワークアーキテクチャである。 ゼロショットリンク予測やグラフ同型を含む課題タスクにおいて,その優れた表現性を実証的に検証する。
  論文  参考訳（メタデータ） (2026-06-02T07:35:42Z)
• ProtAlign: Contrastive learning paradigm for Sequence and structure alignment [27.814501305991]
  シーケンス構造を対照的にアライメントするフレームワークを導入する。 タンパク質がモジュール間で一貫して表現される共有埋め込み空間を学習する。 結果は、対照的な学習がタンパク質配列と構造の間の強力な橋渡しとなることを示した。
  論文  参考訳（メタデータ） (2026-03-06T00:36:41Z)
• 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)
• Acquired TASTE: Multimodal Stance Detection with Textual and Structural Embeddings [5.229806149125529]
  スタンス検出は、談話解析から偽ニュースの拡散の追跡、科学的事実の否定まで、幅広い下流の応用を可能にする上で重要な役割を担っている。 TASTEは、トランスフォーマーベースのコンテンツ埋め込みと教師なし構造埋め込みを調和して融合する、スタンス検出のためのマルチモーダルアーキテクチャである。 TASTEは、一般的なベンチマークで最先端の結果を達成し、強力なベースラインの配列を著しく上回っている。
  論文  参考訳（メタデータ） (2024-12-04T19:23:37Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• How Do Transformers Learn Topic Structure: Towards a Mechanistic Understanding [56.222097640468306]
  我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する 数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T21:42:17Z)
• Definite Non-Ancestral Relations and Structure Learning [10.8738893134525]
  CPDAGとd-セパレーション関係による祖先関係のグラフィカルな特徴について検討する。 本研究では,骨格を学習することなく,特定の非祖先関係を学習できる枠組みを提案する。
  論文  参考訳（メタデータ） (2021-05-20T06:53:52Z)
• A Comparative Study on Structural and Semantic Properties of Sentence Embeddings [77.34726150561087]
  本稿では,関係抽出に広く利用されている大規模データセットを用いた実験セットを提案する。 異なる埋め込み空間は、構造的および意味的特性に対して異なる強度を持つことを示す。 これらの結果は,埋め込み型関係抽出法の開発に有用な情報を提供する。
  論文  参考訳（メタデータ） (2020-09-23T15:45:32Z)

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。