Reducing Barriers to the Use of Marginalised Music Genres in AI

高质量音乐生成的AI系统通常依赖于极大的音乐数据集来训练AI模型。这会导致生成的音乐仅限于主流数据集中代表的流派，如西方古典音乐或流行音乐。我们进行了一个为期4个月的国际研究项目，旨在探索可解释的AI（XAI）挑战和机会，以降低使用边缘音乐流派的AI模型的障碍。发现XAI机会包括提高AI模型的透明度和控制性，解释AI模型的伦理和偏见，使用小数据集微调大模型以减少偏见，并解释AI模型的风格转移机会。研究参与者强调，虽然使用边缘音乐和AI等小数据集很困难，但这样的方法可以加强代表少数文化的文化表现，并有助于解决深度学习模型的偏见问题。我们正在基于这个项目建立一个全球国际负责任的AI音乐社区，并邀请人们加入我们的网络。

如何使用XAI降低使用边缘音乐类型的AI模型的障碍？

使用小数据集加强文化代表性，减少深度学习模型偏差，提高透明度和控制性，解释伦理和偏见，解释风格转移机会

实验使用了边缘音乐类型的小数据集，探讨了XAI在音乐生成中的应用，提出了解决方案并建立了国际社区

最近的相关研究包括：《使用GAN生成多样化的民族音乐》、《使用小数据集训练深度学习模型的方法》、《XAI在自然语言处理中的应用》