Multi-task Learning of Rhythmic and Tonal Properties in Music

Das schnelle Wachstum der künstlichen Intelligenz hat ihre Anwendung auf eine Vielzahl von Aufgaben in verschiedenen Forschungsbereichen ermöglicht. Fortschritte in der KI Ansätze für multimediale Aufgaben haben das Interesse einer breiteren Öffentlichkeitgeweckt und sind in Form von analytischen Anwendungen, Unterhaltungssoftware und anderen Formen in den Mainstream gelangt. Der Musikbereich stellt keine Ausnahme dar: Methoden zur Audioanalyse und Musikgenerierung, die maschinelles Lernen nutzen, insbesondere Deep-Learning-Modelle, erfreuen sich aufgrund ihres Erfolgs im Vergleich zu herkömmlichen handgefertigten Signalverarbeitungsmethoden immer größerer Beliebtheit. Das Ziel dieser Arbeit ist es, das Potenzial eines kombinierten Modells für zwei Musikanalyseaufgaben zu untersuchen: Beat-Tracking und Akkorderkennung. Die State-of-the-ArtLösungen für diese beiden Probleme basieren stark auf Deep Learning. Darüber hinaus haben sich Multitask-Ansätze für einige Musikanalyseaufgaben in der Vergangenheit bereits als erfolgreich erwiesen. Es ist sehr wahrscheinlich, dass sich die beiden Probleme in gewisser Weise überschneiden und ein gemeinsames Deep-Learning-Modell von den Daten für beide Aufgaben profitieren könnte. Außerdem bietet die gemeinsame Nutzung eines Modells praktische Vorteile wie verkürzte Trainingszeiten und die Bündelung von Anmerkungsressourcen, deren Erstellung sowohl für die Beat-Tracking als auch für die Akkorderkennung teuer ist.