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

本文应用机器学习方法，特别是监督学习，对音乐流派进行分类，通过提取音频文件特征并使用多种分类算法（如 LogisticRegression，SVC 和 DecisionTreeClassifier），将音乐分类为古典和重金属两个分类。

May, 2023

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

本研究利用音频、文本和图片三种数据模式，将音乐项目分类到多个细粒度标签中，并利用首创的深度学习技术嵌入了特征分类，提出了 MuMu 数据集，并取得了更好的多标签音乐类型分类结果。

Jul, 2017

研究通过比较研究了卷积神经网络（CNN）、VGG16 和 eXtreme Gradient Boosting（XGBoost）三种模型在不同特征上的表现，30 秒的梅尔频谱图和 3 秒的梅尔频率倒谱系数（MFCCs），结果表明 MFCC XGBoost 模型胜出，此外，在数据预处理阶段应用数据分割可以显著提升 CNN 的性能。

Jan, 2024

研究了如何利用音乐中的重复元素，在大规模音乐数据库中实现有效和高效的自动音乐类型分类，以便于数字图书馆中音乐作品的访问和组织。我们提供了一组不同类型的模式用于支持音乐学研究，并实验了两种快速算法以应用于大规模且多样化的语料库。

Oct, 2019

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

本文介绍和分析运用人工神经网络生成音乐的不同方法，提出五个维度分析框架，包括目标、表示法、体系结构、挑战和策略，通过比较分析不同模型和技术，提出了一种新的多维分类法，并举例说明了目标、表示法、体系结构、挑战和策略的各种选择。

Sep, 2017

本研究从机器学习角度分析了 Geneva Emotional Music Scale 9 在 Emotify 音乐数据集中的适用性，探讨了情感通过音乐表达感染的自动识别。

May, 2019

本研究概述了当前流行的各种利用深度学习算法进行不同音乐生成层次的生成音乐任务，并总结了适用于各种任务的数据集、音乐表示、评估方法以及挑战，同时指出了几个未来的研究方向。

Nov, 2020