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