MusicNet: az algoritmus Beethoven ízlésével

Már vannak gépi tanulási rendszereink, amik képeket feliratoznak, beszédeket írnak és nyelvek között fordítanak, de úgy néz ki a kulturális fejlődésüket eddig elhanyagoltuk. Elhinnétek, hogy a föld jövőbeli urai figyelmen kívül hagyják a klasszikus zenét? Már az is elég rossz, hogy az emberiséget rabszolgasorba taszították – de hogy ilyen közönséges lenne is ez az entitás?

A Washington Egyetem kutatói által megálmodott és elkészített MusicNet, egy kísérlet arra hogy egy algoritmus létre tudjon hozni egy adathalmazt a vizsgált klasszikus zenéből, hasonlóan a képeket vizsgáló ImageNet-hez.

Nem ez az első alkalom hogy a számítógépi tanulás zenével találkozott volna, de a MusicNet sokkal inkább arról szól hogy egy egységes adatbázist hozzon létre, amiből tanulhat és ami szerint pontozhat új számokat. Az ImageNet-et például a kutatók arra használják, hogy a számítógépi látást vizsgálják. Ezeken kívül másik adathalmazokat is használhatnak többek között fordításhoz és arcfelismerés.

Kezdésnek a MusicNet 330 klasszikus zene felvételt foglal magába, ezek főleg Beethoven számai és nagyrészt zongoraszólók népszerűségük miatt. Ezeken kívül van benne még Schubert, Brahms, Mozart és Bach, de Chopin-t például teljesen kihagyták.

Minden élő felvételt a gép a saját maga által létrehozott pontozáshoz hasonlít, a hangjegyeket milliszekundumonként rögzítve. Normális esetben ez egy nagyon munkaigényes folyamat lenne, de a csapat egy dinamikus időmeghajlítás nevű technikát alkalmazott, ami ideális minden előadás feltérképezéséhez, főleg azoknál ahol a kreativitás szabadsága és az emberek közötti különbség eltéréseket okoz az eredeti műtől. Az automatikus eljárás, amit természetesen még szakérők felügyelnek, mind pontosabbá teszi mind pedig csökkenti a folyamat munkaigényét.

A jellemzőket tradicionálisan kézzel készítik a zenei közösségben” írta John Thickstun, a MusicNet publikáció főírója, egy emailben a TechChurch-nek. „A gépi látással foglalkozó közösségnek is hasonló volt a helyzete évtizedekkel korábban, mielőtt a mélyebb modellek, amiket már nagyobb adathalmazokon képeztek, átvették a kézzel készített jellemzők helyét az ő tanult jellemzőikkel.

A csapat több gépi tanulási rendszert is felállított, és a MusicNet adatain képezte őket, ezzel vélhetően elérhetővé téve számukra hogy a hangjegyeket a felvétel szempontjaihoz kössék.

A képen az látható hogy a modell hogyan vonja ki a az alap hangjegyeket egy nyers felvételről (teljes hangjegy bal, súlyozott közép középen, a súlyozott terület vizsgálata a jobb oldalon)

Megkértük a hálózatot, hogy próbálja meg kitalálni a lejátszott felvétel hangjegyeit, és a rendszer felfedezte, hogy melyik jellemzők segítenek neki ebben a feladatban” magyarázza Thickstun.

Az eddigi eredmények bizalom gerjesztőek: A vizsgált modellek jobban teljesítettek ha a MusicNet adatbázisát használták és nem pedig a tradicionális jegyzett darabokat. A pontosság is sokkal jobb volt a hangjegyek feltérképezésében, amikor újszerű felvételeket vizsgáltak.

Ugyan úgy, ahogy a képi felismerő rendszer indulásakor csak az tudták megmondani, hogy két kép ugyanaz e vagy különböző, vagy hogy egy adott tárgy kocka alakú vagy sem, a zene analizátor modellek is gyerekcipőben járnak még. Az alapvető tónus különbségek is egy jó kezdet, de sokkal több van a zenében, mint „B 150 milliszekundumig C+E 300 milliszekundumig

A jövőben mélyíteni szeretnénk a hálózatot, hogy sokkal komplexebb jellemzőket is meg tudjon tanulni.” Mondta Thickstun. „Azt reméljük hogy ezek a hálózatok meg tudnak majd tanulni magasabb rendű zenei fogalmakat, minta a dallam, harmónia és a ritmus.

A készítők sürgetik az ág többi kutatóját, hogy adjanak hozzá az adatbázishoz, ezzel is  tágítva és mélyítve a modell megértését. Ezek a rendszerek, ahogy azt már más rendszereken bebizonyították, egy nap majd képesek lesznek saját művek megalkotására is.

A MusicNet-ről itt olvashattok tovább: a csapat publikációjában az Arxiy-on és a project honlapján.

Forrástechcrunch.com

Szerkesztő: arsratio

Oszd meg

Hozzászólás küldése

Az email címet nem tesszük közzé. A kötelező mezőket * karakterrel jelöljük.

A honlap további használatához a sütik használatát el kell fogadni. További információ

A süti beállítások ennél a honlapnál engedélyezett a legjobb felhasználói élmény érdekében. Amennyiben a beállítás változtatása nélkül kerül sor a honlap használatára, vagy az "Elfogadás" gombra történik kattintás, azzal a felhasználó elfogadja a sütik használatát.

Bezárás