本文介绍一种基于符号和弦标注的新型音乐分割方法，即 pitchclass2vec，使用自然语言处理技术和定制编码将其嵌入到连续的向量表示中。使用 LSTM 神经网络的算法，在音乐领域优于基于符号和弦注释的最新技术。

Mar, 2023

提出了一种符号音乐生成模型，使用了歌曲结构图分析网络构建了一个图，利用音符序列和乐器等信息作为节点特征，音符序列之间的相关性作为边特征。通过训练图神经网络来获取图中节点的表示，然后将节点表示作为 Unet 的输入生成 CONLON 钢琴滚动图像潜变量。实验结果表明，该模型可以生成全面形式的音乐，为符号音乐生成提供了一种有前景且创新的方法，并在音乐信息检索的各个领域，包括音乐创作、音乐分类和音乐修复系统中具有潜在的应用价值。

Dec, 2023

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

本文介绍了将符号乐谱视为图形来解决 Cadence 检测任务的方法，使用 Graph Convolutional Network 作为分类器，并证明了该方法可以检测多个层次的粒度。

Aug, 2022

本研究探讨了在给定和弦进行约束下解决旋律生成问题的方法，并比较了 LSTM（一种 RNN）和 WaveNet（扩张时间 - CNN）两种序列生成模型，结果显示使用扩张卷积层更显式地编码结构可以显著提高性能，而将基础和弦进行全局编码则更有提升效果。

Nov, 2018

该论文在音乐生成的深度学习系统中引入了一种新颖的图表示方法和深度变分自编码器，将音乐的结构和内容分开生成，实现了更具层次结构的人机交互音乐创作方式。

Jul, 2023

该论文提出了一种基于时间预测误差模型集成的无监督方法实现了符号音乐分割，该方法应用于 Essen Folksong 数据集上达到了最前沿的性能，其中使用了峰值检测算法选择段落候选，并聚合多个模型的预测达到最终的分割结果，但与有监督方法相比，该方法的表现仍有提升空间。

Jul, 2022

本文是一篇调查论文，研究了将自然语言处理（NLP）方法应用于符号音乐生成和信息检索的研究，提出了符号音乐的表示方法和深度学习模型，并讨论了 NLP 工具在符号音乐数据中的有效使用以及进一步研究的可能性。

Feb, 2024

音乐结构分析的有监督方法，通过同时学习特征和卷积内核来进行音乐边界检测，并演示了相对特征学习和自注意力在该任务中的作用。

Sep, 2023

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