論文の概要: Extending Music Annotation Schemas: Zero-Shot Prediction or Few-Shot Adaptation?

• arxiv url: http://arxiv.org/abs/2610.06920v1
• Date: Fri, 02 Oct 2026 21:37:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.466482
• Title: Extending Music Annotation Schemas: Zero-Shot Prediction or Few-Shot Adaptation?
• Title（参考訳）: 音楽アノテーションスキーマの拡張:ゼロショット予測かFewショット適応か?
• Abstract要約: 専門家の音楽注釈が高価であることを考えると、どの手法が新しい属性の調整や既存のトラックの補充に最も効果的かは明らかではない。 本稿では,MGPHOS 人気の音楽アノテーションデータセットをベースとして,さまざまなアノテーション予算にまたがる音楽スキーマ拡張をシミュレートするベンチマークを提案する。 音声言語モデルを用いてゼロショット予測を行い,事前学習した表現から新しい属性を学習し,既存のアノテーションに基づいて訓練されたモデルを適用する。
• 参考スコア（独自算出の注目度）: 20.044911853221794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic music annotation is typically tackled under the assumption of a fixed annotation schema. In practice, commercial music catalogs often need to accommodate new musical attributes as needs evolve. Given that expert music annotation is expensive, it is not evident which methodological approach is most effective at accommodating new attributes and backfilling existing tracks; audio-language models promise zero-shot prediction, but at what annotation budget does supervised adaptation become more compelling? We propose a benchmark based on the MGPHot popular music annotation dataset for simulating music schema extension across different annotation budgets. We investigate zero-shot prediction with audio-language models, learning new attributes from pretrained representations, and adapting models trained on existing annotations. Our results suggest that supervised adaptation is more effective than zero-shot prediction even with small annotation budgets, while frozen representation reuse remains the most effective approach for modest budgets without the tuning required by deeper adaptation.
• Abstract（参考訳）: 自動音楽アノテーションは通常、固定されたアノテーションスキーマの前提で取り組まれる。 実際には、商業音楽カタログは、必要に応じて新しい音楽属性を適合させる必要があることが多い。 専門家の音楽アノテーションが高価であることを考えると、どの方法論が新しい属性の調整や既存のトラックの補充に最も効果的かは明らかではない。 本稿では,MGPHOS 人気の音楽アノテーションデータセットをベースとして,さまざまなアノテーション予算にまたがる音楽スキーマ拡張をシミュレートするベンチマークを提案する。 音声言語モデルを用いてゼロショット予測を行い,事前学習した表現から新しい属性を学習し,既存のアノテーションに基づいて訓練されたモデルを適用する。 提案手法は, アノテーション予算が小さい場合でも, 教師付き適応はゼロショット予測よりも有効であり, 凍結表現の再利用は, より深い適応を必要とせずに, 控えめな予算に最も効果的であることを示す。

関連論文リスト

• EditGen: Harnessing Cross-Attention Control for Instruction-Based Auto-Regressive Audio Editing [54.10773655199149]
  自動回帰モデルにおける効率的な音声編集のためのクロスアテンション制御の活用について検討する。 画像編集手法に触発されて,横断的・自己認識的メカニズムを通じて編集をガイドするPrompt-to-Promptライクなアプローチを開発した。
  論文  参考訳（メタデータ） (2025-07-15T08:44:11Z)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• Annotation-free Automatic Music Transcription with Scalable Synthetic Data and Adversarial Domain Confusion [0.0]
  そこで本研究では,MIDI-audio ペアデータの事前学習や対向領域の混乱を伴わない書き起こしモデルを提案する。 実験では、トレーニングデータセットがMIDIアノテーションを含まない実世界のアプリケーションシナリオ下での手法を評価する。 提案手法は,組合わせMIDI-audioの実際のデータセットを利用せずに,確立されたベースライン手法と比較して競争性能が向上した。
  論文  参考訳（メタデータ） (2023-12-16T10:07:18Z)
• Data-efficient Active Learning for Structured Prediction with Partial Annotation and Self-Training [16.740101757982828]
  本稿では,能動的学習を用いた構造化ラベル空間のアノテーションコストを削減できる実用的手法を提案する。 提案手法は部分アノテーションを利用して,アノテーションの最も情報性の高い部分構造のみを選択することで,ラベル付けコストを削減する。 我々はまた、自己学習を利用して、現在のモデルの自動予測を、注釈のないサブ構造のための擬似ラベルとして組み込む。
  論文  参考訳（メタデータ） (2023-05-22T01:58:42Z)
• Full or Weak annotations? An adaptive strategy for budget-constrained annotation campaigns [3.1318537187387787]
  セグメンテーションデータセットのアノテーション戦略を決定する新しい手法を提案する。 提案手法は, 分割と分類アノテーションの比率を連続的に決定し, 予算制約の収集を行う。 実験では、さまざまなアノテーション予算とデータセットに対して最適に非常に近いアノテーションが得られたことを示します。
  論文  参考訳（メタデータ） (2023-03-21T08:41:54Z)
• Rethinking the Learning Paradigm for Facial Expression Recognition [56.050738381526116]
  既存のトレーニングパラダイムを再考し、弱い教師付き戦略を用いて、オリジナルの曖昧なアノテーションでFERモデルをトレーニングする方がよいと提案する。 本稿では、弱教師付き戦略を用いて、オリジナルの曖昧なアノテーションでFERモデルを訓練した方がよいと論じる。
  論文  参考訳（メタデータ） (2022-09-30T12:00:54Z)
• Field-Guide-Inspired Zero-Shot Learning [39.10156282444968]
  そこで我々は,学習者がクラスを定義する最も有用な属性を対話的に要求するゼロショットアノテーションに対して,フィールドガイドにインスパイアされた新しいアプローチを提案する。 我々は,CUB,SUN,AWA2などの属性アノテーションを用いた分類ベンチマークにおいて,本手法の有効性を検証し,アノテーション数を大幅に減らし,完全アノテーションを用いたモデルの性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-24T21:36:05Z)
• Annotation Curricula to Implicitly Train Non-Expert Annotators [56.67768938052715]
  自発的な研究は、しばしば、アノテータがタスク、そのアノテーションスキーム、およびデータドメインに精通することを要求する。 これは最初は圧倒的であり、精神的に課税され、結果として生じるアノテーションにエラーを誘導する。 暗黙的にアノテータを訓練する新しい手法であるアノテーションキュリキュラを提案する。
  論文  参考訳（メタデータ） (2021-06-04T09:48:28Z)
• Bayesian Attention Modules [65.52970388117923]
  実装や最適化が容易な,スケーラブルな注目バージョンを提案する。 本実験は,提案手法が対応するベースラインに対して一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-10-20T20:30:55Z)

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。