2016 Fiscal Year Annual Research Report
Research on accumulation and reuse of musical operations
| Project/Area Number |
25700036
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
浜中 雅俊 京都大学, 医学(系)研究科(研究院), 研究員 (30451686)
|
|---|
| Project Period (FY) |
2013-04-01 – 2017-03-31
|
| Keywords | 音楽理論GTTM / ディープラーニング / グルーピング構造分析 / 拍節構造分析 |
|---|
| Outline of Annual Research Achievements |
高次の音楽操作を，一般ユーザが可能になることを目指し，音楽理論GTTM(Generative Theory of Tonal Music)の計算機実装を進めてきた．我々はこれまで音楽理論GTTMに基づくメロディモーフィング手法などを提案してきたが，手法を利用するためには楽曲をGTTMに基づき分析した結果が必要であった．本年度は， ディープラーニング（深層学習）に基づくが楽曲分析器を構築した．具体的には，GTTMにおける局所的グルーピング境界の検出と拍節構造の検出とをディープラーニングを用いて実現した．しかし，入力楽曲とグルーピング境界あるいは拍節構造との関係をディープラーニングで学習しようとしても学習は困難であった．音楽理論は，音楽家の音楽知識を体系したもので，GTTMではそれがルール化しているため，我々はまず1つ1つのルールを深層ネットワークに学習させることにした．楽曲の表層的な構造と，1つ1つのルールの適用結果の関係は比較的単純であることから，ルールの学習は成功した．そして，ルール学習済みのネットワークに局所的グルーピング境界の学習をさせたところ，学習に成功した．これは，深層ネットワークに音楽理論で定義されているルールを学習させることで，ネットワークが賢くなった（知能化された）と考えることができる．なお，これらの成果は，SMC2016（13th Sound and Music Computing Conference）およびCMMR2016(12th International Symposium on Compute Music Multidisciplinary Research)に採択され発表を行った．本年度はGTTMのグルーピング構造分析および拍節構造分析の実装をティ―プラーニングで実現したが，今後，それより後段の分析であるタイムスパン簡約およびプロロンゲーション簡約をディープラーニングで達成していく．
|
| Research Progress Status |
28年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
28年度が最終年度であるため、記入しない。
|
| Causes of Carryover |
28年度が最終年度であるため、記入しない。
|
| Expenditure Plan for Carryover Budget |
28年度が最終年度であるため、記入しない。
|
