The Strangest Music in the World: Self-Supervised Creativity and Nostalgia for the Future in Robotic Rock Band “The Three Sirens”
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The emergence of deep learning since the mid-2010s and its successful application to creative activity challenges long-held anthropocentric conceptions of art and music, bringing back ideas about machine creativity that had been previously explored in the 20th century. Particularly, in the 1990s, some artists, composers, and musicians started working with machine learning and other adaptive computation systems. The work of Nicolas Baginsky is emblematic of that era. In 1992, he created the robot guitar Aglaopheme, which became the first performer of a self-learning robotic band developed throughout the 1990s, soon joined by the robot bass Peisinoe, the robot drum Thelxiepeia, and eventually other artificial agents, forming the autonomous robotic band The Three Sirens. In this review, we describe the technological, musical, and imaginative aspects of Baginsky’s robotic instruments. The unreal and behind-the-scenes story of the mythological three sirens is important in understanding how the robots are designed and what they (are) intend(ed) to do. In the context of artificial intelligence, the concept of seeking a surprising musical effect will push us to reimagine such concepts as musical creativity and improvisation within the algorithmic composition and provide opportunities to discuss nostalgia for the future music and live performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle