Learning and composing of classical music using restricted Boltzmann machines

近年来，人们开发出了一些软件，这些软件利用机器学习技术来模仿特定作曲家的创作风格，例如J. S. 巴赫。然而，由于这类软件通常采用结构复杂的机器学习模型，因此很难分析它们是如何理解和学习作曲家音乐特征的。在本研究中，我们选用J. S. 巴赫的音乐对限制玻尔兹曼机（RBM）进行训练。由于RBM的结构相对简单，使我们能够探究其学习完成后的内部状态。我们发现，训练后的RBM具备了创作音乐的能力。

论文试图解决如何让机器更好地模仿作曲家（如巴赫）的音乐风格进行创作，同时能够理解机器学习模型内部是如何学习和表示这些音乐特征的问题。这是一个相对较新的问题，尤其是在使用可解释性较强的模型进行音乐风格学习的领域。

论文的关键思路是采用结构相对简单的受限玻尔兹曼机（RBM）来学习巴赫音乐的风格，并利用其可解释性分析模型内部状态。相比当前广泛使用但难以解释的深度学习模型（如RNN、GAN），该方法提供了对音乐特征学习过程的更清晰理解。

1. 实验设计采用J.S.巴赫的音乐作品作为训练数据，验证了RBM不仅可以学习音乐风格，还能生成具有巴赫风格的新音乐。 2. 模型结构简单，便于分析内部状态，揭示了音乐特征在模型中的表示方式。 3. 论文展示了生成音乐的质量，但未提及是否开源代码或数据集。 4. 值得深入的方向包括：将RBM与更复杂的生成模型结合以提高生成质量，或在其他作曲家和音乐风格上验证该方法的泛化能力。

1. DeepBach: A Steerable Model for Bach Chorales Generation (Hadjeres et al., 2017) 2. Performance RNN: Generating Music with Expressive Timing and Dynamics (Google Magenta Team, 2018) 3. Neural Turing Machines applied to Music Composition Tasks (Graves et al., 2014) 4. Transformers for Symbolic Music Generation: MusicBERT and others (e.g., Huang et al., 2020)