Atribución de autoría en la música mediante el uso de aprendizaje automático

Abstract

RESUMEN: En el presente estudio se aborda la atribución de autoría en la música como un problema supervisado de clasificación. Se comparan dos novedosas representaciones para piezas musicales en formato simbólico. La primera representación se basa en n-gramas y toma en cuenta las relaciones melódicas entre instrumentos en piezas polifónicas. La segunda representación está basada en vectores densos y es capaz de atrapar relaciones melódicas y armónicas entre notas musicales. Los resultados obtenidos indican que los modelos basados en la representación densa superan ampliamente a los modelos basados en n-gramas. Nuestro modelo de red neuronal convolucional basado en vectores densos de notas logra superar el estado del arte para un conjunto de datos compuesto por cuartetos de cuerda de Mozart y Haydn.

ABSTRACT: In the present study the authorship attribution in music is approached as a supervised problem of classification. Two novel representations for musical pieces in symbolic format are compared. The first representation is based on n-grams and takes into account the melodic relationships between instruments in polyphonic pieces. The second representation is based on dense vectors and is able to catch melodic and harmonic relationships between musical notes. The results obtained indicate that models based on dense representation far outperform n-gram based models. Our convolutional neural network model based on dense vectors of musical notes manages to overcome the state of the art for a dataset composed of string quartets by Mozart and Haydn.