Strojno učenje glazbene ekspresivnosti

1. Strojno učenje glazbene ekspresivnosti Prezentacija članka o glazbenoj ekspresivnosti G. Widmera Ljubomir Kraljević 22.11.2001.

2. Uvod • Glazbena ekspresivnost • Važnost specifičnog znanja • Algoritam IBL-SMART • Dva pristupa učenju • Eksperiment • Analiza rezultata dobivenih korištenjem izvedbi glazbenika • Zaključak

3. Glazbena ekspresivnost • Za računalo su note slijed različitih simbola iz skup simbola mogućih nota (naivni učenik). • Za čovjeka (pr. student glazbe) je lakše naučiti glazbenu ekspresiju jer posjednuje neko znanje o glazbi pa može intuitivno podijeliti gl. Dijelo u niz složenijih gl. struktura (motivi, grupe, fraze...) • Ekspresivnost u glazbi je varijacija glasnoće (dinamika) i promjena tempa (brže, sporije) • Slijedeći primjeri su bazirani na dva različita pristupa sl. strukturi: na nivou nota i na nivou gl. stuktura.

4. Kako pristupiti znanju o glazbi (1) • I. pristup: Znanje o glazbi na razini nota (kvalitativna teorija). • Sastoji se iz dva dijela: 1. Model strukturalnog slušanja (strukturalna analiza koja se događa i kog ljudskog slušača) 2. Kvalitativna mreža ovisnosti (hijerarhija pravila koja uređuju neoperativne predikate prema operativnijim, specifičnim uvjetima.

5. Kako pristupiti znanju o glazbi (2) • Primjeri pravila • Stroga (deduktivna) pravila Q :- P1, P2, ... • Usmjerena kvalitativna ovisnost q+(A, B) ( A i B se odnose proporcionalno pozitivno) • Neusmjerena kvalitativna ovisnost depends_on(Q, [P1, P2,...]) (Ne znamo pravu ovisnost)

6. Kako pristupiti znanju o glazbi (3) • Primjeri pravila za crescendo: depends_on( crescendo(Note, X), [importance (Note, I), goal_directedness (Note, G), closure (Note, C)]). • Znači:Hoće li se crescendo upotrijebiti na noti ( i ako točan iznos X) ovisi o važnosti I note, o nivou G melodijske “usmjerenosti” i o nivou C melodijskog “završetka”.

7. Kako pristupiti znanju o glazbi (4) • II.pristup: Znanje o glazbenim strukturama na višoj razini. • Gl. dijelo se analizira i uzimamo prepoznate sturkture pa nam one služe kao primjeri za učenje. • Te strukure su: jednak_nivo, rastuća forma (ascending shape), desc-asc, asc.-desc. ,descendig, zajedno sa osnovnim elementima ritma, mjere, ... • Svaki par <gl. struktura, ekspresivni oblik> je primjer za učenje • Izlaz je ovisno o danoj gl. Strukturi ekspresivna forma upotrijebljena na njoj i to točno koliko crescendo, accelerando, itd.

8. Algoritam IBL-SMART (1) Primjeri za učenje • Algoritam je temeljen na deduktivnom znanju • Komponente algoritma su: stablo pravila u DNF ,koje je svako predstavljeno podskupom primjera za učenje za koje ta pravila vrijede Kvalitativno znanje Stablo: Pravilo1 Pravilo3 Pravilo2 Pravilo1 Pravilo3 Pravilo2 Pronalaženje pravila iz primjera Učenje pravila (dedukcija)

9. Algoritam IBL-SMART (2) • Slijed algoritma (okvirno): 1. Definiraju se ciljni koncept (npr. crescendo) 2. Vrši se korak o korak specijalizacija stvarajući stablo do najboljeg prvog pozitivnog primjera 3. Pravila se dodavaju koristeći neoperativna predikate ili induktivno dodajući nove uvjete koji razdvajaju pozitivne i negativne primjere 4. Pravilo pokriva samo pozitivne primjere 5. Algoritam završava kad je određeni postotak pozitivnih pravila pokriven

10. Eksperiment sa izvedbama • U čemu je razlika u pristupima ? • Znanje na razini nota (kvalitativno) se pokazalo učinkovito u samo određenom broju primjeraka • Pogreške koje se mogu dogoditi kod učenja sa kv. Znanjem su “diječje” pogreške razumljive svakome tko zna bar nešto o gl. ekspresiji • Drugi pristup izbjegava takve pogreške i izvodi gl. dijela “ekspresivnije” jer posjeduje znanje na nivou gl. struktura

11. Dinamika u izvedbi Chopin Waltz op.18, Eb major (početak), Primjer prije učenja Primjer poslije učenja

12. Varijacija tempa u izvedbi Chopin Waltz op.18, Eb major (početak), Primjer prije učenja Primjer poslije učenja

13. Primjeri (1) Chopin Waltz op.64, no.2, C# minor (početak drugog dijela), Primjer prije učenja Primjer poslije učenja Chopin Waltz op. 69, no. 2, B minor (početak), Primjer prije učenja Primjer poslije učenja (duži dio)

14. Primjeri (2), varijacija tempa Chopin Waltz op. 69, no. 2, B minor (početak), Primjer prije učenja Primjer poslije učenja (duži dio)

15. Analiza rezultata naivni pristup pristup I pristup II (bez znanja) (kval. Teorija) (apstrakcija) pogodaka/ accelerando 58.46 61.54 55.38 pogodaka/ ritardando 50.91 54.55 78.18 Sve skupa 55.00 58.33 65.83 naivni pristup pristup I pristup II (bez znanja) (kval. Teorija) (apstrakcija) pogodaka/ accelerando 61.93 58.88 57.87 pogodaka/ ritardando 40.83 55.03 76.92 Sve skupa 52.19 57.10 66.67 Postotak pogodaka između učenika i učitelja ( Svaka nota ima jednaku važnost) Postotak pogodaka između učenika i učitelja ( dodijeljene su težinske vrijednosti notama ovisno o njihovoj važnosti)

16. Zaključak • Glazba nije prikladna za čisti induktivni pristup učenju • Potrebno je pažljivo pristupiti prikazu znanja iz polja proučavanja koje se može sastojati (ili prikrivati) specifično znanje ili neke pretpostavke • Proučavanje glazbene ekspresivnosti potvrdio je neka već prije primjećena pravila u izvedbi glazbenog dijela • Pokazano je kako se mogu razviti modeli za učenje koji ne moraju biti strogo ograničeni na određeno polje znanja.

17. Literatura: • G. Widmer, Application of Machine Learning to Music Research: Empirical Investigation into Pfenomenon of Musical Expression, Machine Learning ana Data Mining: Methods and Applications, stranice 269-293. • Tom M. Mitchell, Machine Learning • G. Widmer, Learning Musical Expressions, Machine Learning showcases and success stories, WWW stranice (Studeni, 2001.): http://www.mlnet.org/resources/showcases/lme.html