机构名称：
¥ 4.0
摘要。在本文中，我们使用最近提出的称为“深层音乐信息动力学”（DMID）的框架来探索音乐的深度神经模型的信息，通过将比特率减少应用于用于生成音乐表面的潜在表示。我们的方法是由人类齿轮的速率延伸理论的部分动机，该理论声称，为了处理感官信息的复杂性，某些信息在感知行为中必须丢失或丢弃。随着时间的流逝，有损失的编码会改变音乐结构表示不同级别的声音内部和跨声音形成的预期。此外，我们假设音乐机器学习系统的目标，甚至可能是人类的学习系统，它正在学习一种潜在的表示，该代表“解释”了音乐表面的大多数信息动态。通过对符号（MIDI）和声学（光谱）音乐表示的几个实验，使用额外的比特降低步骤来探索此AS-Sumption。我们的结果表明，在降低的速率编码之间可以找到更高的共同信息。DMID框架对于计算创意音乐系统的研究而言是显着的，因为它允许以一种能够实现的和计算的方式探索音乐数据潜在和表面水平的信息关系。
深音乐信息动态
主要关键词
相关文件推荐
