論文の概要: TrueMuse: A Benchmark for Data Attribution in Text-to-Music Models

• arxiv url: http://arxiv.org/abs/2610.00835v1
• Date: Wed, 30 Sep 2026 23:48:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.8093
• Title: TrueMuse: A Benchmark for Data Attribution in Text-to-Music Models
• Title（参考訳）: TrueMuse: テキスト-音楽モデルにおけるデータ属性のベンチマーク
• Abstract要約: 本稿では,テキストから音楽へのデータの属性を制御したデータセットとベンチマークであるTrueMuseを紹介する。 このベンチマークは4つの属性設定、メロディック構造、ティンバル特性、アーティストレベルのスタイルシグネチャ、ジャンルレベルの共有パターンをカバーしている。 TrueMuseを用いて,既存のブラックボックス属性法を,微調整改善,プロンプト型難易度,マルチタスクトレーニング,微調整データサイズという4つの次元で体系的に評価する。
• 参考スコア（独自算出の注目度）: 10.269847177328057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-music generation models are trained on massive music collections, creating a growing need for data attribution methods that can quantify the contribution of individual training samples. However, existing attribution methods are difficult to rigorously evaluate due to the lack of reliable ground truth, making it challenging to reliably assess their actual effectiveness. To address this gap, we introduce TrueMuse, a controlled dataset and benchmark for text-to-music data attribution. TrueMuse is constructed by fine-tuning three diffusion-based text-to-music models on carefully curated attribution samples, whose known inclusion in fine-tuning provides controlled attribution targets for evaluation. The benchmark covers four attribution settings, spanning melodic structure, timbral characteristics, artist-level stylistic signatures, and genre-level shared patterns, and includes 133 attributes, 648 fine-tuned models, and 95,456 generated samples across two prompt types. Using TrueMuse, we systematically evaluate existing black-box attribution methods along four dimensions: fine-tuning improvement, prompt-type difficulty, multi-task training, and fine-tuning data size. Our results show that attribution remains challenging, with existing methods exhibiting substantial variation across evaluation settings, highlighting the need for more reliable and generalizable attribution methods for text-to-music generation. Code and Dataset will be released upon acceptance.
• Abstract（参考訳）: テキストから音楽への生成モデルは、大規模な音楽コレクションに基づいて訓練され、個々のトレーニングサンプルの寄与を定量化するためのデータ属性手法の必要性が増大する。 しかし,既存の帰属法は信頼性が低いため厳密に評価することは困難であり,その実効性を確実に評価することは困難である。 このギャップに対処するために、テキストから音楽へのデータの属性を制御したデータセットとベンチマークであるTrueMuseを紹介します。 TrueMuseは、3つの拡散に基づくテキストから音楽へのモデルを慎重にキュレートした属性サンプルに微調整することで構築される。 このベンチマークは4つの属性設定、メロディック構造、ティンバル特性、アーティストレベルのスタイルシグネチャ、ジャンルレベルの共有パターンをカバーし、133の属性、648の微調整されたモデル、および2つのプロンプトタイプにわたる95,456のサンプルを含む。 TrueMuseを用いて,既存のブラックボックス属性法を,微調整改善,プロンプト型難易度,マルチタスクトレーニング,微調整データサイズという4つの次元で体系的に評価する。 提案手法は,テキストから音楽への生成において,より信頼性が高く,より一般化可能な帰属法の必要性を強調した。 CodeとDatasetは受け入れ次第リリースされる。

関連論文リスト

• MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
  トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。 MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。 提案手法は直接推論遅延の最大7分の1の属性を生成する。
  論文  参考訳（メタデータ） (2026-07-01T19:29:19Z)
• HumMusQA: A Human-written Music Understanding QA Benchmark Dataset [2.7761207021407217]
  本稿では,音楽教育の専門家による手書き質問320件の新しいデータセットを提案する。 このデータセットの使用を実証するため、6つの最先端のLALMをベンチマークし、一様ショートカットに対するロバスト性をテストした。
  論文  参考訳（メタデータ） (2026-03-29T21:33:07Z)
• Label-template based Few-Shot Text Classification with Contrastive Learning [7.964862748983985]
  本稿では,単純かつ効果的なテキスト分類フレームワークを提案する。 ラベルテンプレートは入力文に埋め込まれ、クラスラベルの潜在値を完全に活用する。 教師付きコントラスト学習を用いて、サポートサンプルとクエリサンプル間の相互作用情報をモデル化する。
  論文  参考訳（メタデータ） (2024-12-13T12:51:50Z)
• Improving embedding with contrastive fine-tuning on small datasets with expert-augmented scores [12.86467344792873]
  提案手法では,専門的なスコアから派生したソフトラベルをファインチューン埋め込みモデルに適用する。 オンラインショッピングサイトと8つのエキスパートモデルからQ&Aデータセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-08-19T01:59:25Z)
• Stem-JEPA: A Joint-Embedding Predictive Architecture for Musical Stem Compatibility Estimation [3.8570045844185237]
  マルチトラックデータセットでトレーニングした新しいJEPA(Joint-Embedding Predictive Architecture)であるStem-JEPAを紹介する。 本モデルでは, エンコーダと予測器の2つのネットワークから構成される。 MUSDB18データセットの検索タスクにおいて、本モデルの性能を評価し、ミキシングから欠落した茎を見つける能力を検証した。
  論文  参考訳（メタデータ） (2024-08-05T14:34:40Z)
• A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
  本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。 本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T12:05:44Z)
• MetricPrompt: Prompting Model as a Relevance Metric for Few-shot Text Classification [65.51149771074944]
  MetricPromptは、数発のテキスト分類タスクをテキストペア関連性推定タスクに書き換えることで、言語設計の難易度を緩和する。 広範に使われている3つのテキスト分類データセットを4つのショット・セッティングで実験する。 結果から,MetricPromptは,手動弁証法や自動弁証法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-06-15T06:51:35Z)
• Exploring the Efficacy of Pre-trained Checkpoints in Text-to-Music Generation Task [86.72661027591394]
  テキスト記述から完全で意味論的に一貫したシンボリック音楽の楽譜を生成する。 テキスト・音楽生成タスクにおける自然言語処理のための公開チェックポイントの有効性について検討する。 実験結果から, BLEUスコアと編集距離の類似性において, 事前学習によるチェックポイントの使用による改善が統計的に有意であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-21T07:19:17Z)

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。