Application of Artificial Intelligence-based Music Generation Technology in Popular Music Production
Notice bibliographique
Résumé
Artificial Intelligence has been applied in many aspects of life, however, AI algorithms have been less used in the field of music. In this paper, a multi-track based pop music generation model MuseGAN is proposed, due to its poor contextualization and excessive tempo jumps in generating pop music samples. In this paper, a new multi-track pop music generation model-Recurrent Feature Generation Adversarial Network RFGAN is proposed. the model addresses the temporal relevance of the music structure and the repetitive nature of the musical section, and proposes a temporal model that enhances the contextual relevance of the music samples in terms of the time series, and improves the generative model according to this temporal model by converting the unidirectional structure in the original model to a recurrent structure, adding the feature extractor to the previous level of training information, which is combined with arbitrary noise and passed to the next training. An average pooling layer is added at the end of the generative model as a solution to the situation where the model generates too much noise for pop music samples. The improved model is superior to the pre-improvement model in terms of stability, convergence speed, and overfitting in pop music generation. In the audience scoring experiment, 60% of the top 5 pop music scores were generated using the RFGAN model proposed in this paper, indicating that the pop music generated using the RFGAN model has reached a high level comparable to the level of artificial pop music composition.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».