本研究提出了三种方法，其中两种是基于图形的新颖算法，通过形式或结构对符号音乐进行分割。使用两个公共数据集对其进行了消融研究，发现使用图形表示对结构进行符号音乐编码，并计算从图中获取的邻接矩阵的新颖性可以很好地表示符号音乐的结构，同时无需提取其特征。我们成功实现了在线无监督变点检测方法，F_1 值为 0.5640，容忍间隔为 1 拍，本研究希望这些方法能用于改进其他音乐信息检索任务。

Mar, 2023

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

使用 word2vec 计算模型探索多种风格音乐的语义信息，研究显示这种新的嵌入矢量表征实际上捕捉到了音乐的音调和和声特性，为深度学习模型提供了潜在的输入表示，并提供了音乐创作工具。

Nov, 2018

利用结构信息的位置编码框架改进深度学习生成音乐的一项研究，通过使用变换器模型，提出了三种不同类型的位置信息编码方法，并通过两个符号音乐生成任务对其进行全面测试，结果表明这些方法能够提升生成音乐作品的旋律和结构的一致性。

Feb, 2024

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

使用五个嵌入模型和他们的相似性结构，我们研究了表达钢琴演奏特点的领域中的语义嵌入的不确定性，并评估了上下文提示、减少中心性、跨模态相似度和 k-means 聚类的效果。结果显示，针对这一任务的嵌入模型质量存在很大的变异性；更一般的模型表现优于领域适应模型，并且最佳模型配置达到与人类级别的一致性。

Dec, 2023

本文提出了一种基于和声学习的结构增强流行音乐生成方法，并设计了和声感知的分层音乐变形器 (HAT)，可以在多层级音乐元素中自适应地利用结构，从而提高生成的流行音乐的质量。实验结果表明，与现有方法相比，HAT 可以更好地理解结构，尤其是在形式和质地方面可以提高生成音乐的质量。

Sep, 2021

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

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

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