論文の概要: MI-MIDI 2: From Observation to Control with Sparse Autoencoders in Text-to-MIDI Generation

• arxiv url: http://arxiv.org/abs/2610.32007v1
• Date: Fri, 23 Oct 2026 00:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.312802
• Title: MI-MIDI 2: From Observation to Control with Sparse Autoencoders in Text-to-MIDI Generation
• Title（参考訳）: MI-MIDI 2:テキストからMIDI生成におけるスパースオートエンコーダによる観察から制御へ
• Abstract要約: 我々はテキスト・ツー・MIDI生成におけるSAE特徴の発見と評価のためのエンドツーエンドプロトコルを開発した。 密度調整相関によって選択された特徴は,家族としての目標距離の小さな正のシフトを示す。 アトラスは、ターゲット画面のすべての機能に対してMIDI、ピアノロール、オーディオサンプルを提供する。
• 参考スコア（独自算出の注目度）: 0.12277343096128711
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Sparse autoencoders (SAEs) can expose features of a generative model without predefined labels, but in language models the evidence used to interpret these features has proven an unreliable guide to which of them steer the output. Whether interpretations of SAE features predict control in music generators has not, to our knowledge, been tested. We develop an end-to-end protocol for discovering and evaluating SAE features in text-to-MIDI generation and apply it to text2midi and MIDI-LLM. The protocol characterizes features through correlations with musical metrics, shared instrument programs, and automated descriptions, each with its own control: note-density adjustment, matched inactive excerpts, and permutation calibration. It then tests candidates by intervention, measured directly in the generated MIDI against unmodified generation and a matched random direction, ranks them in screens, and confirms selected features on new prompts. Evidence that survives these controls points to features that steer the output. Descriptions exceed permutation controls for instrumentation, and a feature whose description names a synth-lead program introduces that program in a prespecified confirmation and in a replication on disjoint prompts and reappears in independently trained dictionaries. Features selected by density-adjusted correlations show a small positive shift of their target metric as a family, whereas features selected by raw correlations show none. An atlas provides MIDI, piano-roll, and audio examples for every feature of the targeted screen.
• Abstract（参考訳）: スパースオートエンコーダ(SAE)は、事前に定義されたラベルのない生成モデルの特徴を明らかにすることができるが、言語モデルでは、これらの特徴を解釈するのに使われる証拠は、どのモデルが出力を操縦するかの信頼性の低いガイドであることが証明されている。 SAE特徴の解釈が音楽ジェネレータの制御を予測するかどうかは、我々の知る限りテストされていない。 我々は,テキスト・ツー・MIDI生成におけるSAE特徴の検出と評価のためのエンドツーエンドプロトコルを開発し,それをtext2midi と MIDI-LLM に適用する。 このプロトコルは、音楽メトリクス、共有楽器プログラム、自動記述との相関を通じて特徴を特徴付け、それぞれ独自の制御:ノート密度調整、一致した不活性な抜粋、置換校正を行う。 次に、介入によって候補を検査し、生成したMIDIにおいて、修正されていない生成と一致したランダムな方向に対して直接測定し、それらを画面にランク付けし、新しいプロンプトで選択された特徴を確認する。 これらのコントロールを生き残る証拠は、アウトプットを操縦する機能を指し示します。 記述はインスツルメンテーションの置換制御を超えており、シンスリードプログラムと命名された特徴は、事前に特定された確認と、独立に訓練された辞書における解離プロンプトと再出現の複製において、そのプログラムを導入する。 密度調整相関によって選択された特徴は,家族としての目標距離の小さな正のシフトを示すが,生の相関によって選択された特徴は存在しない。 アトラスは、ターゲット画面のすべての機能に対してMIDI、ピアノロール、オーディオサンプルを提供する。

関連論文リスト

• Synthesis and editing of multi-instrument audio mixtures using scalar-quantised latents with MIDI Span conditioning [20.928258517489603]
  Span Synth-Editは、MIDI誘導型オーディオミックスの合成と編集のためのフローマッチングモデルである。 このモデルは、楽器固有の音色誘導にコンテキストオーディオを使用し、修正MIDIから対象領域を再ラベルすることで編集をサポートする。 シングルおよびマルチインストールベンチマークの実験は、競合性能を示し、フレーム内のオンセット制御を示す。
  論文  参考訳（メタデータ） (2026-09-22T01:21:39Z)
• MI-MIDI: Mechanistic Interpretability of Text-to-MIDI Generation Models via Probing, Lenses and Steering [0.12277343096128711]
  コントラスト設計のための2つの公開テキスト-MIDIシステムについて分析する。 アーキテクチャがどのように形成と制御を形成するかを示します。 その結果、記号生成器における音楽概念のトレースと制御のための実用的なツールキットが提供される。
  論文  参考訳（メタデータ） (2026-08-06T23:09:37Z)
• Annotation-Free MIDI-to-Audio Synthesis via Concatenative Synthesis and Generative Refinement [0.0]
  CoSaRefはMIDI-to-audio合成法であり、MIDI-audioペアデータセットを必要としない。 MIDIの入力に基づいて合成音声トラックを生成し、MIDIアノテーションなしでデータセットに基づいて訓練された拡散に基づく深層生成モデルで洗練する。 デジタルオーディオワークステーションの伝統的な機能と同様、音声サンプルの選択やMIDI設計を通じて音色や表現を詳細に制御することができる。
  論文  参考訳（メタデータ） (2024-10-22T08:01:40Z)
• MusiConGen: Rhythm and Chord Control for Transformer-Based Text-to-Music Generation [19.878013881045817]
  MusiConGenは、一時条件付きトランスフォーマーベースのテキスト-音楽モデルである。 条件信号として自動的に抽出されたリズムとコードを統合する。 MusiConGenは,特定の条件に整合したリアルなバックトラック音楽を生成することができることを示す。
  論文  参考訳（メタデータ） (2024-07-21T05:27:53Z)
• Prompt-Singer: Controllable Singing-Voice-Synthesis with Natural Language Prompt [50.25271407721519]
  本稿では,歌手の性別,声域,音量を自然言語で制御できる最初のSVS手法であるPrompt-Singerを提案する。 我々は,マルチスケール階層を持つデコーダのみの変換器に基づくモデルアーキテクチャを採用し,レンジメロディデカップリングされたピッチ表現を設計する。 実験により,本モデルは良好な制御能力と音質が得られることが示された。
  論文  参考訳（メタデータ） (2024-03-18T13:39:05Z)
• Anticipatory Music Transformer [60.15347393822849]
  本稿では、時間点過程の制御可能な生成モデルを構築する方法である予測を導入する。 コントロールはイベント自体のサブセットであるので、コントロールタスクの充実に重点を置いています。 大規模かつ多様なLakh MIDI音楽データセットを用いて予測入出力モデルを訓練する。
  論文  参考訳（メタデータ） (2023-06-14T16:27:53Z)
• The MIDI Degradation Toolkit: Symbolic Music Augmentation and Correction [14.972219905728963]
  我々はMIDI分解ツールキット (MDTK) を紹介し、音楽の抜粋を入力として含む関数を含む。 このツールキットを使って、AlteredとCorrupted MIDI Excerptsのデータセットバージョン1.0を作成します。 劣化の検出・分類・発見・修正が困難になる4つの課題を提案する。
  論文  参考訳（メタデータ） (2020-09-30T19:03:35Z)
• 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)

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。