Direction de recherche : Amal EL FALLAH SEGHROUCHNI

Co-encadrement : BRIOT Jean-Pierre

Apprentissage automatique pour la modélisation de musique symbolique

La modélisation de la musique symbolique représente les tâches effectuées par les modèles d’apprentissage automatique avec la musicale symbolique, parmi lesquelles figurent notamment la génération de musique ou la récupération d'informations musicales. Ces tâches sont couramment effectuées par des modèles séquentiels qui traitent les données sous forme de séquences d'éléments discrets appelés tokens. Nous étudions dans cette thèse comment la musique symbolique peut être sérialisée, et quels sont les impacts des différentes méthodes sur les performances et l'efficacité des modèles. Les défis actuels incluent le manque de logiciel pour effectuer cette étape, la faible efficacité des modèles et les tokens inexpressifs. Nous relevons ces défis en :

1. développant une bibliothèque logicielle complète, flexible et facile à utiliser permettant de tokeniser la musique symbolique ;
2. analysant l'impact de diverses stratégies de tokenisation sur les performances des modèles ;
3. augmentant les performances et l'efficacité des modèles en exploitant de vastes vocabulaires musicaux grâce à l'utilisation de « Byte Pair Encoding » ;
4. créant l'un des premiers modèles à grande échelle de génération de musique symbolique.

Publications 2021-2024