比较旋律序列的概率模型
摘要：建模音乐的现实世界复杂性对于机器学习是一个挑战。我们的研究致力于对同一音乐流派的旋律序列进行建模。我们对两种概率模型进行了比较分析；一个是迪利克雷可变长度马尔可夫模型（Dirichlet-VMM），另一个是时域卷积受限玻尔兹曼机（TC-RBM）。我们表明TC-RBM学习到了描述性音乐特征，例如底层和典型的旋律转换和动态。我们评估了这些模型在未来预测方面的性能，并将其与VMM进行了比较，VMM是当前旋律生成领域的最先进模型。我们表明，这两个模型的性能均显著优于VMM，而迪利克雷-VMM稍微优于TC-RBM。最后，我们使用测试序列和模型样本之间的库尔巴克-勒布勒散度评估模型的短期统计特征，并且表明我们提出的方法与音乐流派的统计特征匹配得更好。
作者：Athina Spiliopoulou and Amos Storkey
论文ID：1109.6804
分类：Machine Learning
分类简称：stat.ML
提交时间：2011-11-01