KDD 2018 Araştırma Bölümü En İyi Öğrenci Makalesi Ayrıntılı Açıklama: Popüler Müziğin Melodisi ve Düzenlemesi Üretimi
AI Technology Review News KDD 2018, 19-23 Ağustos 2018 tarihleri arasında İngiltere'nin Londra kentinde gerçekleştirildi. Açılış töreninde bir dizi ödül açıklandı. Çin Bilim ve Teknoloji Üniversitesi, Microsoft Yapay Zeka ve Araştırma Enstitüsü ve Soochow Üniversitesi ekibinin ortaklaşa hazırladığı XiaoIce Band kâğıdı: Pop Müzik için Melodi ve Düzenleme Üretimi Çerçevesi, Research Track'teki en iyi öğrenci makalesini kazandı. Aşağıda bu makalenin ayrıntılı bir yorumu yer almaktadır:
Giriş
Bu makalede, şarkı üretimi için uçtan uca bir melodi ve düzenleme oluşturma çerçevesi olan Xiaobing'i öneriyoruz. Spesifik olarak, belirli bir akor ilerlemesine göre koşullandırılmış bir melodi oluşturmak için akor tabanlı bir ritim ve melodi çapraz oluşturma modeli (CRMCG) öneriyoruz. Daha sonra çok parçalı müzik için Çok Aletli Ortak Düzenleme Modelini (MICA) tanıttık. Burada, iki bilgi paylaşım stratejisi, dikkat (Dikkat) birimi ve çok katmanlı algılayıcı (MLP) birimi, diğer görevler için yararlı bilgileri yakalamayı amaçlamaktadır. Eski model, müzik bilgisine dayalı müzikal bölümler arasındaki aralık ilişkisine rehberlik etmek için akor ilerlemesini kullanır. İkincisi, düzenlemenin uyumunu sağlamak ve şarkının kalitesini artırmak için farklı parçalar arasında bilgi paylaşır. Gerçek dünya veri setleri üzerinde yapılan kapsamlı deneyler, modelimizin tek parça ve çok kanallı müzik tarafından oluşturulan temel modellere göre avantajlarını göstermektedir. Özellikle, modelimiz birçok popüler şarkı yarattı ve CCTV'nin Turing Testini geçti14. Bu yazının katkıları aşağıda özetlenmiştir.
Melodi ve düzenleme dahil olmak üzere uçtan uca çok parçalı bir müzik üretme sistemi öneriyoruz.
-
Müzik bilgisine dayanarak, melodiye rehberlik etmek ve ritim kalıbı yoluyla şarkının yapısını öğrenmek için akor ilerlemesini kullanmayı öneriyoruz. Ardından, müzik üretimi için ritim ve melodi çapraz oluşturma yöntemini kullanıyoruz.
-
Kod çözücü katmanının her adımında, neslin kalitesini artıran ve çok kanallı müziğin uyumunu sağlayan çok görevli bir ortak oluşturma ağı geliştirmek için diğer görev durumlarını kullanıyoruz.
-
Sağlanan çok sayıda deney sayesinde, sistemimiz diğer modellerle daha iyi performans gösterir ve manuel değerlendirme de tutarlı bir sonuca ulaşmıştır.
Tablo 1: Müzik oluşturma modellerinin karşılaştırılması (G: nesil, Mt: çok kanallı, M: melodi, Cp: akor ilerlemesi, Ar: düzenleme, Sa: teklenebilirlik)
Alakalı iş
İlgili çalışma, müzik üretimi ve çok görevli öğrenme olmak üzere iki kategoriye ayrılabilir.
Müzik üretimi
Geçtiğimiz birkaç on yılda, müzik üretimi zorlu bir görev oldu. Çeşitli yöntemler önerilmiştir. Tipik veriye dayalı istatistiksel yöntemler genellikle N-gram ve Markov modellerini kullanır. Ek olarak, müzik üretimi için bir birim seçme yöntemi kullanılır ve müzik birimlerini birleştirmek için bir sıralama yöntemi kullanılır. Ek olarak, melodiyi seçmek için akorları kullanan benzer bir fikir de önerildi. Bununla birlikte, geleneksel yöntemler çok fazla insan gücü ve alan bilgisi gerektirir.
Son zamanlarda, derin sinir ağları, yukarıdaki sorunları çözmek için uçtan uca bir yaklaşımla müzik üretimine uygulandı. Johnson ve diğerleri, aynı anda birden fazla nota olasılığını temsil etmek için döngüsel bir sinir ağı ile döngüsel olmayan bir sinir ağını birleştirdi. Bu yazıda, benzer bir Gibbs örnekleme sürecini kullanarak dört bölümlü bir koro oluşturabilen, tekrarlayan sinir ağına dayalı bir Bach oluşturma modeli önerilmiştir. Tekrarlayan sinir ağlarına dayanan modellerin aksine, Sebastian ve diğerleri, müzik eserlerinin dağıtımını öğrenmek için VAE'yi kullanıyor. Ek olarak, Yang, Mogren ve diğerleri müzik üretmek için GAN'ı kullandılar ve rastgele gürültüyü sıfırdan melodi oluşturmak için girdi olarak ele aldılar. Tek parça müziğin aksine Chu ve diğerleri, melodi ve akorlar ve davullar gibi eşlik efektleri oluşturmak için tekrarlayan sinir ağlarını kullanır. Müzik yaratımıyla ilgili kapsamlı araştırmalar yapılmasına rağmen, popüler müziğin özellikleri üzerine herhangi bir çalışma bulunmamaktadır. Popüler müzik üretimi için, önceki çalışmalar akor ilerlemesini ve ritim kalıbını dikkate almıyordu. Dahası, akor ilerlemesi genellikle melodi oluşumuna rehberlik eder ve ritim kalıbı şarkının şarkı söylemeye uygun olup olmadığını belirler. Ayrıca popüler müzik, müzik aletlerinin özelliklerini de korumalıdır. Son olarak, armoni çok parçalı müzikte önemli bir rol oynar, ancak önceki çalışmalarda iyi çözülmemiştir.
Özetle, Xiaobing'i birkaç ilgili modelle karşılaştırıyoruz ve sonuçları Tablo 1'de gösteriyoruz.
Çok görevli öğrenme
Bir görevden öğrenilen özellikler diğer görevler için faydalı olabileceğinden, çoklu görev öğrenme genellikle özellikleri paylaşan ilgili görevler için kullanılır. Önceki çalışmada, çok görevli öğrenme, doğal dil işlemeden bilgisayarla görmeye kadar tüm makine öğrenimi uygulamalarına başarıyla uygulandı.
Şekil 2: "Artık Konuşmayacağız" adlı şarkının "akor ilerlemesi" olarak işaretlenmiş melodisi
Örneğin, Zhang ve diğerleri, genel üretim etkisini iyileştirmek için ilgili görevler için eğitim verilerini paylaşmayı önerdi. İçinde, yazar birkaç NLP görevinden oluşan katmanlı bir mimariyi önceden tanımladı ve diğer görevlerde yıkıcı performans göstermeden bir görevin kaybını iyileştirmek için tüm model ağırlıklarını optimize etmek için basit bir düzenli terim tasarladı. girişim. Bilgisayarla görmedeki başka bir çalışma, göreve bağlı belirsizlikle Gauss olasılığını en üst düzeye çıkarmaya dayalı bir çok görevli kayıp işlevi türeterek maliyet işlevindeki her görevin göreceli ağırlığını ayarlar. Makalede, derin öğrenmeye uygulanan daha çok görevli öğrenme çalışması önerilmektedir.
Problem tanımı ve model yapısı
Her popüler müziğin belirli bir akor ilerlemesi olduğundan, verilen akor ilerleme koşulları altında popüler müzik sahneleri oluşturmayı düşünüyoruz. Bu nedenle, müzik üretme görevinin girdisi belirli bir akor ilerlemesidir.
Ci'nin akorun vektör temsili olduğuna ve lc'nin dizinin uzunluğu olduğuna dikkat edin. Amacımız doğru ritmi üretmek
Ve melodi
Bu nedenle, bu sorunu çözmek için tek parçalı müzik için CRMCG ve çok parçalı müzik için MICA öneriyoruz.
Şekil 4, Xiaobing'in genel çerçevesini göstermektedir. Dört bölüme ayrılabilir: 1) Veri işleme bölümü; 2) Melodi üretimi için CRMCG bölümü (tek yol); 3) Düzenleme üretimi için MICA bölümü (çoklu kanal) Parça); 4) Ekran bölümü.
Şekil 4: Xiaobing'in akış şemasına genel bakış
Tablo 2: Çerçevede kullanılan semboller
Deney
CRMCG ve MICA'nın etkinliğini incelemek için toplanan veri setleri üzerinde iki deney yaptık: melodi üretimi ve düzenleme üretimi.
Veri tanımlaması
Bu makalede, 50.000'den fazla MIDI (dijital kesir formatı) dosyasından oluşan gerçek dünya veri kümesi üzerinde deneyler yaptık ve sapmayı önlemek için, ses kaydı olmayan müzik gibi tamamlanmamış MIDI dosyaları Silindi. Son olarak veri setimize 14077 MIDI dosyası kaydettik. Özellikle, her MIDI dosyası melodi, davul, bas ve yaylılar gibi çeşitli ses parçaları içerir.
Deneysel sonuçların güvenilirliğini sağlamak için, veri setini aşağıdaki gibi önceden işleriz. İlk olarak, tüm müziği aynı melodide tutmak için tüm MIDI dosyalarını C majör veya A minöre dönüştürüyoruz. Ardından, tüm müziğin BPM'sini (dakika başına vuruş) 60'a ayarlıyoruz, bu da tüm notaların tam sayı vuruşlar olmasını sağlar. Son olarak, her 2 ölçüyü tek bir bölümde birleştireceğiz. Tablo 3, budama veri setinin bazı temel istatistiklerini özetlemektedir.
Tablo 3: Veri kümesi açıklaması
Eğitim ayrıntıları
Veri setinden rastgele 9855 örneği eğitim verisi olarak seçiyoruz, diğer 2815'i parametreleri ayarlamak için ve son 1407'si performansı ve daha fazla üretilen müziği doğrulamak için test verileri olarak kullanılıyor. Modelimizde, kodlayıcı ve kod çözücüdeki her bir GRU katmanı için döngüsel gizli birim sayısı 256 olarak ayarlanmıştır. Dikkat ünitesi ve MLP ünitesindeki gizli vektörlerin hesaplanmasında kullanılan parametrelerin boyutu 256 olarak ayarlanmıştır. Parti boyutunun 64'e ayarlandığı ve son modelin doğrulama setindeki çapraz entropi kaybına göre seçildiği modeli güncellemek için stokastik gradyan iniş algoritmasını kullanın.
Melodi üretimi
Bu bölümde, CRMCG modelimizin performansını doğrulamak için bir melodi oluşturma görevi gerçekleştiriyoruz. Başka bir deyişle, modeli eğitmek ve oluşturulan melodi yörüngesinin estetik kalitesini değerlendirmek için yalnızca orijinal MIDI müziğinden çıkarılan melodi yörüngesini kullanıyoruz.
Temel yöntem
Müzik oluşturma görevi genellikle bir dizi oluşturma sorunu olarak kabul edilebildiğinden, temel oluşturma dizisi olarak iki son teknoloji modeli seçiyoruz:
-
Macenta (RNN) Etkileyici zamanı ve dinamik polifonik müziği simüle etmek için tasarlanmış RNN'ye dayalı bir model.
-
GANMidi (GAN) Müziğe ilişkin çeşitli ön bilgileri geliştirmek için koşullu bir mekanizma kullanan, Adversarial Network'e (GAN) dayalı yeni bir model.
Önerilen CRMCG modeline ek olarak, melodi üretimi için akor ilerlemesinin ve çapraz eğitim yöntemlerinin önemini doğrulamak için modelin iki çeşidini de değerlendirdik:
-
CRMCG (tam sürüm) tarafından önerilen model, melodi ve ritim oluşturmak için akor bilgilerini kullanır.
-
CRMCG (akor ilerlemesi olan / olmayan) CRMCG'ye (tamamlanmış) göre, akor bilgileri silinir.
-
CRMCG (çapraz eğitim içeren / içermeyen) CRMCG'ye (tam) dayalı olarak, melodi ve ritim kalıbını eğitim sırasında Lm ve Lr'ye göre eğitiyoruz.
Genel performans
Müzik üretiminin benzersizliği düşünüldüğünde, melodi üretiminin sonucunu değerlendirmek için uygun bir niceliksel ölçü yoktur. Bu nedenle, modelin performansını insan araştırmasına dayalı olarak doğruladık. Bazı bakış açısı kavramlarına göre, listelenen göstergeleri kullanıyoruz:
Tablo 4: Melodi oluşumunun insan değerlendirmesi
-
Ritim: Müzik düzgün geliyor mu ve uygun şekilde duraklıyor mu?
-
Melody: Müzik tanıma ilişkisi doğal ve uyumlu mu?
-
Tamlık: Müzik yapısı eksiksiz mi ve aniden kesintiye uğramıyor mu?
-
Teklik: Müzik, sözlerle birlikte şarkı söylemek için uygun mu?
Çeşitli yöntemlerin sonuçlarını değerlendirmeleri için 8 gönüllü müzik takdir uzmanını davet ettik. Gönüllüler, üretilen her müziği yukarıdaki değerlendirme göstergelerine göre 1'den 5'e kadar derecelendirir. Tablo 4 performansı göstermektedir. Sonuçlara göre, CRMCG modelinin tüm göstergelerde tüm temelleri geride bıraktığını ve CRMCG modelimizin melodi üretimi için etkinliğini önemli ölçüde artırdığını gördük. Özellikle, CRMCG (tam) CRMCG'den (akorlu / akorsuz) daha iyi performans gösterir Akor bilgisini doğrulayabilir ve melodinin kalitesini iyileştirebilir. Ek olarak, çapraz eğitimin kaliteyi ortalama% 6,9 artırabildiğini bulduk, bu da melodi oluşturma için çapraz eğitim algoritmamızın etkinliğini kanıtlıyor.
Aynı zamanda, RNN tabanlı taban çizgisinin, melodi oluşturmak için evrişimli bir sinir ağı kullanan GAN tabanlı modelden daha iyi olduğunu gördük. Bu fenomen, RNN tabanlı modelin melodi üretimi için daha uygun olduğunu gösterir, bu nedenle RNN tabanlı CRMCG'yi tasarladık.
Düzenleme üretimi
Bu bölümde, MICA modelimizin performansını doğrulamak için çok parçalı müzik üretimi gerçekleştiriyoruz. Burada çok kanallı müzik üretiminde en önemli beş görevi, yani melodi, davul, bas, yaylılar ve gitar seçiyoruz.
Temel yöntem
İki MICA modelimizin performansını doğrulamak için ilgili model HRNN temel yöntem olarak seçilmiştir. Özellikle karşılaştırma yöntemini şu şekilde belirledik:
-
HRNN: Çok parçalı müzik üretmek için hiyerarşik bir RNN tabanlı model. Özellikle, melodi oluşturmak için düşük seviyeli yapılar ve farklı enstrümanlar için parçalar oluşturmak için daha yüksek seviyeli yapılar kullanır.
-
MICA, dikkat birimini kullanır: önerilen model, farklı parçalar arasında bilgi paylaşmak için dikkat birimini kullanır.
-
MICA, MLP birimlerini kullanır: Önerilen model, bilgileri farklı parçalar arasında paylaşmak için MLP birimlerini kullanır.
Genel performans
Melodi oluşturma görevinden farklı olarak, gönüllülerden üretilen müziğin kalitesini bir bütün olarak değerlendirmelerini istiyoruz.
Tablo 5: Düzenleme Üretiminin İnsan Değerlendirmesi
Performans Tablo 5'te gösterilmektedir. Sonuçlara göre, MICA modelimizin mevcut yöntem olan HRNN'den daha iyi performans gösterdiğini bulduk, bu da MICA'nın çok kanallı müzik oluşturma görevinde önemli bir gelişmeye sahip olduğu anlamına geliyor. Özellikle, çok parçalı müziğin daha yüksek puanlara sahip olduğunu bulduk, bu da çok parçalı müziğin tek parçalı müzikten daha iyi ses verdiğini ve düzenlemenin önemini doğruladığını gösteriyor. Aynı zamanda, davul parçasının diğer tekli parçalara kıyasla en kötü performansa sahip olduğunu gözlemledik, çünkü davul parçası yalnızca çok parçalı bir müzik parçasında destekleyici bir rol oynar. Ayrıca, MLP birimine dayalı MICA modelimiz, dikkat birimine dayalı MICA modelinden daha iyi performans gösteriyor MLP birim mekanizmamızın birden çok parça arasındaki bilgileri daha iyi kullanabileceği görülüyor.
sonuç olarak
Bu yazıda, Xiaobing Band adlı müzik bilgisine dayalı bir melodi ve aranjman oluşturma çerçevesi öneriyoruz, bu çerçevede ona eşlik eden çeşitli enstrümanların melodisini üretiyoruz. Melodi üretimi için, melodiyi yönlendirmek için akor ilerlemesini kullanan ve ritim kalıbı aracılığıyla şarkının yapısını öğrenen akor temelli çapraz nesil bir ritim ve melodi modeli (CRMCG) tasarladık. Çok görevli öğrenme tarafından yönlendirilen düzenleme üretimi için, çok kanallı müzik düzenlemesi için kod çözücü katmanının her adımında diğer görev durumlarını kullanan bir çok enstrümanlı ortak düzenleme modeli (MICA) öneriyoruz. Genel performansı iyileştirin ve çok kanallı müziğin uyumunu sağlayın. İster otomatik göstergeler ister manuel değerlendirmeler olsun, çok sayıda deney sayesinde, sistemimiz diğer modellere göre daha iyi performans gösterdi ve Turing testini tamamlayarak iyi sonuçlar elde ettik. Ayrıca modelimizin uygulama değerini göstermek için internet üzerinden popüler müzik örnekleri ürettik.
Kağıt adresi: https://dl.acm.org/authorize.cfm?key=N665888
Referanslar
Léon Bottou. 2010. Stokastik gradyan inişli büyük ölçekli makine öğrenimi. COMPSTAT'2010 Proceedings içinde. Springer, 177186.
Mason Bretan, Gil Weinberg ve Larry Heck. 2016. Derin Sinir Ağlarını Kullanarak Müzik Üretimi için Birim Seçim Metodolojisi. ArXiv preprint arXiv: 1612.03789 (2016).
PietroCasellaandAnaPaiva.2001.Magenta: Arka plan müziğinin gerçek zamanlı otomatik kompozisyonu için bir mimari.Akıllı Sanal Aracılar üzerine Uluslararası Çalıştayda Springer, 224232.
Kyunghyun Cho, Bart Van Merriënboer, Dzmitry Bahdanau ve Yoshua Bengio.2014. Nöral makine çevirisinin özellikleri hakkında: Kodlayıcı-kod çözücü yaklaşımları arXiv ön baskı arXiv: 1409.1259 (2014).
Parag Chordia, Avinash Sastry ve Sertan Şentürk. 2011. Değişken uzunluklu markov ve gizli markov modellerini kullanarak kestirimci tabla modellemesi Journal of New Music Research 40, 2 (2011), 105118.
Hang Chu, Raquel Urtasun ve Sanja Fidler. 2016. Pi'den şarkı: Pop müzik üretimi için müzikal olarak makul bir ağ. ArXiv ön baskı arXiv: 1611.03477 (2016).
Ronan Collobert ve Jason Weston. 2008. Doğal dil işleme için birleşik bir mimari: Çok görevli öğrenmeye sahip derin sinir ağları Makine öğrenimi üzerine 25. uluslararası konferansın Bildirileri, ACM, 160167.
Darrell Conklin, 2003. İstatistiksel modellerden müzik üretimi, Sanat ve Bilimlerde Yapay Zeka ve Yaratıcılık Üzerine AISB 2003 Sempozyumu Bildirilerinde, Citeseer, 30-35.
Daxiang Dong, Hua Wu, Wei He, Dianhai Yu ve Haifeng Wang. 2015. Çoklu Dil Çeviri için Çok Görevli Öğrenme .. ACL'de (1). 17231732.
RossGirshick. 2015. Fastr-cnn.IEEE'nin bilgisayarla görme üzerine uluslararası konferansının işlemleri. 1440-1448.
Ian Goodfellow, Jean Pouget Abadie, Mehdi Mirza, Bing Xu, David Warde Farley, Sherjil Ozair, Aaron Courville ve Yoshua Bengio. 2014. Üretken hasım ağları. Nöral bilgi işleme sistemlerinde İlerlemelerde. 26722680.
Alex Graves, Abdel-rahman Mohamed ve Geoffrey Hinton. 2013. Derin yinelenen sinir ağları ile konuşma tanıma. Akustik, konuşma ve sinyal işleme (icassp), 2013 ieee uluslararası konferansı. IEEE, 66456649.
Gaëtan Hadjeres ve François Pachet. 2016. DeepBach: Bach koralleri üretimi için Yönlendirilebilir Bir Model. ArXiv ön baskı arXiv: 1612.01010 (2016).
ChristopherHarte, MarkSandler veMartinGasser. 2006.Müzik seste harmonik değişimi tespit etmek Ses ve müzik bilgi işlem multimedya üzerine 1. ACM çalıştayı Bildirilerinde. ACM, 2126.
Kazuma Hashimoto, Caiming Xiong, Yoshimasa Tsuruoka ve Richard Socher. 2016. Çok görevli ortak bir model: Birden çok NLP görevi için bir sinir ağı yetiştirme arXiv ön baskı arXiv: 1611.01587 (2016).
Nanzhu Jiang, Peter Grosche, Verena Konz ve Meinard Müller. 2011. Otomatik akor tanıma için renk özellik türlerini analiz etmek Ses Mühendisliği Topluluğu Konferansı: 42. Uluslararası Konferans: Semantik Ses Ses Mühendisliği Topluluğu.
Daniel Johnson. 2015. Tekrarlayan sinir ağları ile müzik bestelemek. (2015).
Alex Kendall, Yarin Gal ve Roberto Cipolla. 2017. Sahne Geometrisi ve Anlambilim için Kayıpları Tartmak için Belirsizliği Kullanan Çok Görevli Öğrenme. ArXiv preprint arXiv: 1705.07115 (2017).
Diederik P Kingma ve Max Welling. 2013. Otomatik kodlama değişken yuvaları.
arXiv baskı öncesi arXiv: 1312.6114 (2013).
Vladimir I Levenshtein, 1966. Silmeleri, eklemeleri ve ters çevirmeleri düzeltebilen ikili kodlar, Sovyet fizik doklady, Cilt 10707710.
Pengfei Liu, Xipeng Qiu ve Xuanjing Huang. 2016. Çok görevli öğrenmeyle metin sınıflandırması için tekrarlayan sinir ağı. ArXiv ön baskı arXiv: 1605.05101 (2016).
Mingsheng Long ve Jianmin Wang. 2015. Derin ilişki ağları ile çoklu görevleri öğrenmek. ArXiv ön baskı arXiv: 1506.02117 (2015).
Ishan Misra, Abhinav Shrivastava, Abhinav Gupta ve Martial Hebert. 2016. Çok görevli öğrenme için çapraz dikiş ağları. Bilgisayarlı Görü ve Örüntü Tanıma IEEE Konferansı Bildirilerinde. 3994-4003.
Olof Mogren. 2016. C-RNN-GAN: Rakip eğitim ile sürekli tekrarlayan sinir ağları. ArXiv ön baskı arXiv: 1611.09904 (2016).
François Pachet, Sony CSL Paris, Alexandre Papadopoulos ve Pierre Roy. 2017. Yapılandırılmış müzik üretimi için sekansların örnekleme varyasyonları. In Proceedings of the 18. International Society for Music Information Retrieval Conference (ISMIR'2017), Suzhou, Çin. 167173 .
François Pachet ve Pierre Roy. 2011. Markov kısıtlamaları: Markov dizilerinin yönlendirilebilir nesli. Kısıtlamalar 16, 2 (2011), 148172.
Sebastian Ruder, Joachim Bingel, Isabelle Augenstein ve Anders Søgaard. 2017. Sluice ağları: gevşek ilişkili görevler arasında nelerin paylaşılacağını öğrenmek. ArXiv preprint arXiv: 1705.08142 (2017).
Romain Sabathé, Eduardo Coutinho ve Björn Schuller. 2017. Derin yinelenen müzik yazarı: Hafızayla geliştirilmiş varyasyonel otomatik kodlayıcı tabanlı müzik notu kompozisyonu ve objektif bir ölçü. In Neural Networks (IJCNN), 2017 International Joint Conference on. IEEE, 3467-3474 .
Paul Schmeling. 2011. Berklee Müzik Teorisi, Berklee Press.
Heung-Yeung Shum, Xiaodong He ve Di Li. 2018. Eliza'dan XiaoIce'e: Sosyal Sohbet Robotları ile Zorluklar ve Fırsatlar. ArXiv ön baskı arXiv: 1801.01957 (2018).
Andries Van Der Merwe ve Walter Schulze. 2011. Markov modelleriyle müzik üretimi IEEE MultiMedia 18, 3 (2011), 7885.
Li-Chia Yang, Szu-Yu Chou, ve Yi-Hsuan Yang. 2017. MidiNet: Sembolik alan müzik üretimi için evrişimli, üretken bir düşmanlık ağı. 18. Uluslararası Müzik Bilgi Alma Konferansı Bildirilerinde (ISMIR'2017), Suzhou, Çin.
Xiaofan Zhang, Feng Zhou, Yuanqing Lin ve Shaoting Zhang. 2016. İnce taneli özellik gösterimi için etiket yapılarını gömme Bilgisayarla Görü ve Örüntü Tanıma IEEE Konferansı Bildirilerinde. 11141123.
Yu Zhang ve Qiang Yang. 2017. Çok görevli öğrenme üzerine bir anket. ArXiv baskı öncesi arXiv: 1707.08114 (2017).
