EPFL位于人文學院的數(shù)字與認知音樂學實驗室的研究人員使用一種無??監(jiān)督的機器學習模型來“監(jiān)聽”并分類了13,000多首西方古典音樂，揭示了主要和次要的模式在整個歷史中是如何變化的。

許多人可能無法定義音樂中的次要模式，但是大多數(shù)人幾乎可以肯定會識別以次要鍵演奏的樂曲。這是因為我們直觀地將屬于小調的音符集(通常聽起來暗，緊張或悲傷)與大調的音符區(qū)分開，大聲調通常表示幸福，力量或輕盈。

但是，縱觀整個歷史，有時還會使用除主要和次要之外的多種其他模式，或者根本找不到明確的模式分離。

數(shù)字和認知音樂學實驗室(DCML)的研究人員Daniel Harasim，F(xiàn)abian Moss，Matthias Ramirez和Martin Rohrmeier在最近的一項研究中著眼于理解和可視化這些差異，該研究已發(fā)表在開放存取雜志Humanities上和社會科學傳播。在他們的研究中，他們開發(fā)了一種機器學習模型，可以分析15世紀至19世紀超過13,000首音樂，涵蓋了文藝復興時期，巴洛克時期，古典時期，浪漫主義早期和浪漫主義后期。

“例如，我們已經(jīng)知道，在文藝復興時期[1400-1600]中，存在兩種以上的模式。但是，在[1750-1820]古典時代之后的時期中，兩種模式之間的區(qū)別就變得模糊了。我們想看看是否我們可以更具體地確定這些差異。”

機器聽力(和學習)

研究人員使用數(shù)學模型來推斷西方古典音樂在這五個歷史時期中模式的數(shù)量和特征。他們的工作產(chǎn)生了新穎的數(shù)據(jù)可視化效果，顯示了文藝復興時期的音樂家，如喬瓦尼·皮耶魯吉·達·帕萊斯特里納，喜歡使用四種模式，而巴洛克作曲家的音樂，例如約翰·塞巴斯蒂安·巴赫，則圍繞主要和次要模式進行了旋轉。有趣的是，研究人員沒有發(fā)現(xiàn)由弗朗茲·李斯特(Franz Liszt)等晚期浪漫作曲家創(chuàng)作的復雜音樂的模式之間沒有明確的分離。

Harasim解釋說DCML的方法是獨特的，因為這是第一次使用未標記的數(shù)據(jù)來分析模式。這意味著他們的數(shù)據(jù)集中的音樂片段以前沒有被人類分類為各種模式。

“我們想知道如果讓計算機有機會分析數(shù)據(jù)而又不引入人為偏見會是什么樣子。因此，我們應用了無監(jiān)督的機器學習方法，其中計算機“聆聽”音樂并找出這些模式本身沒有元數(shù)據(jù)標簽。”

盡管執(zhí)行起來要復雜得多，但是這種“無監(jiān)督”的方法產(chǎn)生了特別有趣的結果，據(jù)哈拉西姆說，就人類如何聽和解釋音樂而言，這種結果更具“認知上的合理性” 。

“我們知道音樂結構可能非常復雜，而且音樂家需要多年的訓練。但是與此同時，就像孩子學習母語一樣，人們會在不知不覺中學習這些結構。這就是為什么我們開發(fā)了一個簡單的模型來逆轉使用認知科學家使用的一類所謂的貝葉斯模型來設計學習過程，以便我們也可以利用他們的研究成果。”

從課堂項目到出版及以后

Harasim滿意地注意到，這項研究源于他和他的合著者Moss和Ramirez在EPFL教授羅伯·韋斯特(Robert West)教授的應用數(shù)據(jù)分析課程中一起完成的一項課堂項目。他希望通過將他們的方法應用于其他音樂問題和體裁來進一步推進該項目。

“對于模式發(fā)生變化的樂段，準確地識別出這種變化發(fā)生在什么位置是很有趣的。我也想將相同的方法應用于爵士樂，這是我的博士論文的重點，因為爵士樂的音調爵士樂不僅僅只有兩種模式。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！