Algorithmes de génération de musique pour application dans les jeux vidéo
Bibliographic record
Abstract
Ce mémoire porte sur les algorithmes de génération de musique et leurs applications dans les jeux vidéo. Nous avons choisi ce domaine d'application car, en tant que média interactif complexe, les jeux vidéo représentent un défi de taille pour les compositeurs de musique. Nous commencerons donc par une introduction générale au domaine d'application pour poursuivre avec une présentation ciblée de la problématique. Ensuite, nous passerons en revue une série d'algorithmes de génération de musique issus de la littérature scientifique et basés sur différents modèles mathématiques et nous expliquerons pourquoi aucun d'entre eux ne convient à nos besoins. Nous passerons aussi en revue un éventail d'outils de composition et de mise en séquence de musique interactive. Parmi ces outils, certains ciblent spécifiquement l'industrie du jeu vidéo. Nous expliquerons aussi pourquoi ceux-ci ne correspondaient pas à nos besoins. \n \nAfin de répondre à nos besoins, la troisième partie de ce mémoire présente un nouveau modèle d'automates que nous avons introduit pour la première fois à la conférence Futureplay 2007 : les automates étendus probabilistes. Ce modèle combine la flexibilité des automates étendus et la variabilité des automates probabilistes. Nous décrirons ces modèles d'automates en détails au cours de ce mémoire. \n \nEn dernière partie du mémoire, nous présenterons notre outil de composition, introduit aux côtés de notre modèle d'automates étendus probabilistes : IMTool. Cet outil permet à l'utilisateur d'exploiter toute la puissance des automates étendus probabilistes dans un contexte de composition et de mise en séquence de musique pour un jeu vidéo (ou pour toute autre application interactive). En ce sens, celui-ci peut associer des séquences musicales aux états de l'automate, créer des conditions de transition, créer des fonctions de mise-à-jour et associer des probabilités aux transitions. Les conditions de transition et les fonctions de mise-à-jour sont des propriétés des automates étendus et seront expliquées en détails plus loin dans ce mémoire.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".