如何把知识笔记结构化：通过层次化的上下文约束学习长期音乐表征

如何把知识笔记结构化：通过层次化的上下文约束学习长期音乐表征

学习符号音乐表征，特别是具有概率解释的分解表征，已被证明对音乐理解和生成都有好处。然而，大多数模型只适用于短期音乐，而学习长期音乐表征仍然是一项具有挑战性的任务。我们已经看到一些研究试图以端到端的方式直接学习层次化的表征，但是这些模型并不能达到预期的效果，而且训练过程也不稳定。在本文中，我们提出了一种新的方法，通过上下文约束来学习长期的符号音乐表征。首先，我们使用对比学习法，通过约束其与短期表征（由一个现成的模型提取）的差异来预训练长期表征。然后，我们通过一个分级预测模型对长期表征进行微调，这样一个好的长期表征（例如，一个8条的表征）可以重建相应的短期表征（例如，8条范围内的2条表征）。实验表明，我们的方法稳定了训练和微调的步骤。此外，设计的上下文约束对重建和拆分都有好处，明显优于基线的表现。

《Learning long-term music representations via hierarchical contextual constraints》

论文地址:http://arxiv.org/abs/2202.06180v1