本研究介绍了基于重复的算法，用于识别音乐篇章结构，音乐片段组合成具有两级层次结构的音乐节，层次结构揭示了音乐结构和和弦进行、旋律、节奏之间的重要关联，不同层次结构有不同的相互作用，表明结构层次在音乐中发挥着重要作用，本研究为音乐生成和评估提供了新的应用。

Oct, 2020

用五个不同独立的算法对用户上传的歌曲进行分析，通过有监督学习从事例中学习来识别歌曲的独特之处，特别考虑音乐的流派，最终用图形工具展示分析结果。

May, 2024

通过使用 Siamese 网络架构和预训练及微调流程，本研究旨在通过表示学习来学习旋律和其变化之间的内在关系。实验证明，这两种方法相互补充，在检索任务中使精确度 - 召回率曲线下的面积提高了 12.6%。最后，我们可视化所获得的旋律表示，以直观地理解音乐作品的整体结构。据我们所知，这项工作在计算建模音乐旋律方面迈出了值得关注的一步，为未来的自动音乐创作和音乐信息检索应用奠定了基础。

Sep, 2023

本文介绍了如何用预训练模型 MusicBERT 进行符号音乐理解，并讨论了其中涉及的关键技术，包括 OctupleMIDI 编码和小节层面的掩蔽策略。实验证明，MusicBERT 在旋律完成、伴奏建议、流派、和风格分类等四项任务中具有优越性。

Jun, 2021

介绍以开放数据为基础的音乐流派识别挑战，包括设计、统计数据和结果。

Mar, 2018

模拟音乐结构在生成符号音乐作品的人工智能系统中至关重要但具有挑战性。本文概述了整合连贯结构的技术的演变，从符号方法到基础和转换的深度学习方法，利用计算和数据在各种训练范式中的强大能力。最新阶段，我们评述了一种新兴技术，称为 “子任务分解”，它涉及将音乐生成分解为独立的高级结构规划和内容创作阶段。这些系统通过提取旋律的骨架或结构模板来引导生成过程，从而纳入某种形式的音乐知识或神经符号方法。从审查的三个时期来看，已经取得了在主题和重复方面的进展，但在模拟人类作曲家风格下的扩展音乐作品中细微主题的发展仍然很困难。我们概述了几个关键的未来方向，以实现结合所有考察时期方法的协同效益。

Mar, 2024

通过使用机器学习算法和从音频信号提取的特征进行音乐流派分类，本研究旨在评估机器学习模型在流派分类中的鲁棒性并进行结果比较。

May, 2024

本文对智能音乐生成技术进行了综合调查和分析，提出了关键讨论，明确了各自的特点，并通过表格进行了总结。我们首先介绍了如何将音乐作为信息流进行编码和相关数据集，然后比较了不同类型的生成算法，总结了它们的优点和缺点，并讨论了现有的评估方法。最后，研究了人工智能在音乐创作方面的发展，特别是比较了东西方音乐生成技术的不同特点并分析了该领域的发展前景。

Nov, 2022

本研究旨在开发一种可解释的音乐相似性分类系统，通过结合符号和音频内容，提高音乐检索、推荐和分析的效率和精度。

Jun, 2023

通过使用基于人工智能的生成音乐系统为音乐信息检索（MIR）任务生成训练数据，我们探讨了更广泛的概念。为了启动这个研究方向，我们进行了一项初步实验，利用 MusicGen 创建了一个完全人工的音乐数据集，在此基础上我们训练了一个流派分类器。我们制作了超过 50,000 个以流派为条件的文本描述，并生成了一系列覆盖五种音乐流派的音乐片段。我们的初步结果表明，所提出的模型能够从人工音乐曲目中学习到流派特定的特征，并在现实世界的音乐录音中推广得很好。

Nov, 2023