Dynamic Nonparametric Bayesian Models for Analysis of Music
用于音乐分析的动态非参数贝叶斯模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦音乐序列与分段，未明确涉及所列宏观时间序列或经济结构变化问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于音乐分析的动态非参数贝叶斯模型
- 研究问题
- 如何描述音乐离散观测序列中的渐进变化与纹理突变，并利用模型推断完成乐曲分段及与音乐理论分析的比较？
- 方法与思路
- 作者构造动态层级 Dirichlet 过程，使隐马尔可夫模型参数随时间演化，通过共享机制表达时间邻近性，并用 MCMC 推断。
- 材料陈述的贡献
- 摘要称所提模型兼顾邻近时刻的参数相似性和音乐纹理的突变，推导共享机制，并在多首乐曲上比较模型与传统音乐分析。
- 阅读关注点
- 应核对动态共享与突变机制的具体定义、离散音频表征、分段结果如何从后验得到，以及模型比较和音乐理论对照的标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明分段误差、采样收敛或跨音乐类型表现，也未提供经济时间序列应用证据。
原文摘要
The dynamic hierarchical Dirichlet process (dHDP) is developed to model complex sequential data, with a focus on audio signals from music. The music is represented in terms of a sequence of discrete observations, and the sequence is modeled using a hidden Markov model (HMM) with time-evolving parameters. The dHDP imposes the belief that observations that are temporally proximate are more likely to be drawn from HMMs with similar parameters, while also allowing for “innovation” associated with abrupt changes in the music texture. The sharing mechanisms of the time-evolving model are derived, and for inference a relatively simple Markov chain Monte Carlo sampler is developed. Segmentation of a given musical piece is constituted via the model inference. Detailed examples are presented on several pieces, with comparisons to other models. The dHDP results are also compared with a conventional music-theoretic analysis. All the supplemental materials used by this paper are available online.