Unsupervised Learning of Harmonic Analysis Based on Neural HSMM with Code Quality Templates

本文介绍了一种基于隐马尔可夫模型（HSMM）的无监督学习和谐分析的方法。我们引入了和弦质量模板，这些模板指定了在给定根音和和弦质量的情况下音高类别的发射概率。HSMM中包含的其他概率分布是通过无监督学习自动学习的，这在现有研究中是一个挑战。所提出的模型的和谐分析结果是通过使用现有标记数据进行评估的。虽然我们提出的方法尚未像使用监督学习和复杂规则设计的现有模型那样表现出色，但它具有不需要昂贵的标记数据或规则阐述的优点。此外，我们还展示了如何基于马尔可夫模型的转移概率在没有先验知识的情况下识别主音。

本论文的问题是提出一种基于隐马尔可夫模型（HSMM）的无监督学习和和和声分析方法。该方法的目的是自动学习和和声分析中的概率分布，从而避免需要昂贵的标记数据和复杂的规则设计。

论文的关键思路是引入和弦质量模板，该模板指定了给定根音和和弦质量时的音高发射概率。其他概率分布通过无监督学习自动学习，从而避免了需要昂贵的标记数据和复杂的规则设计。此外，论文还展示了如何基于马尔可夫模型的转移概率识别主音，而不需要先验知识。

本论文的亮点包括：1. 引入和弦质量模板，可以自动学习和声分析中的概率分布；2. 可以识别主音而不需要先验知识；3. 在现有标记数据较少的情况下仍然能够进行准确的和声分析；4. 使用了现有标记数据对提出的模型进行了评估。

最近在这个领域中，还有一些相关的研究，如：1. “基于深度学习的和声分析”；2. “基于规则的和声分析”；3. “基于传统机器学习的和声分析”等。