22.11.2001.

Strojno učenje glazbene ekspresivnostiPrezentacija članka o glazbenoj ekspresivnosti G. Widmera

Ljubomir Kraljević

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) 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

Primjeri za učenje

Učenje pravila(dedukcija)

Pronalaženje pravila iz primjera

Pravilo1Pravilo2

Pravilo3

Stablo: Pravilo1Pravilo2

Pravilo3

Kvalitativno znanje

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 izvedbiChopin 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 učenjaChopin Waltz op. 69, no. 2, B minor (početak),

Primjer prije učenja

Primjer poslije učenja (duži dio)

14

Primjeri (2), varijacija tempaChopin Waltz op. 69, no. 2, B minor

(početak),

Primjer prije učenja

Primjer poslije učenja (duži dio)

15

Analiza rezultatanaivni 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

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

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