Concepts de base
音楽理論を活用して深層学習アルゴリズムに適用する可能性を示す。
Résumé
この論文では、離散型ニューラルネットワーク(例:スパイキングネットワーク)の構造とピアノ曲の作曲との興味深い類似点を探求します。両者は、順次または並行してアクティブ化されるノードや音符が関与しますが、後者は意味のある組み合わせを導くために豊富な音楽理論を活用します。私たちは、音楽的文法を利用してスパイキングニューラルネットワーク内でアクティビテーションを調整する革新的なアプローチを提案し、シンボルを引き寄せ子として表現することができます。さらに、音楽理論からコード進行の規則を適用することで、特定のアクティビテーションが自然に他に続く方法を示し、引力の概念に似ています。さらに、異なる引力盆地間を移動するためにキー変更の概念も紹介します。最終的に、私たちのモデル内の概念マップは音楽的フィフスサークルで構造化されており、深層学習アルゴリズムで音楽理論原則を活用する可能性が強調されています。
Stats
Pijがニューラルネットワークレイヤー内のiとj間の知覚的一致度を表す。
ζijはiとj間の接続の学習率であり、ζij ∝ Pij によって決定される。
wjk ← wjk − η(δkaj) は出力層重みの勾配降下更新規則です。
Citations
"Ultimately, we show that the map of concepts in our model is structured by the musical circle of fifths, highlighting the potential for leveraging music theory principles in deep learning algorithms."
"We propose a novel approach that leverages musical grammar to regulate activations in a spiking neural network, allowing for the representation of symbols as attractors."
"In conclusion, this paper, basing off of a population theory of concepts as attractors, shows how we can use a music grammar to represent these dynamics."