EthnoPulse: A Multi-Task Deep Learning Framework for Traditional Music Emotion Recognition and Online Engagement Prediction
एथनोपल्स (EthnoPulse) एक मल्टी-टास्क डीप लर्निंग फ्रेमवर्क है जो विसंयुक्त कॉर्पोरा (disjoint corpora) के साथ आंशिक-लेबल सेटिंग का उपयोग करते हुए पारंपरिक संगीत भावना पहचान और ऑनलाइन जुड़ाव भविष्यवाणी को संयुक्त रूप से मॉडल करता है, जो अत्याधुनिक प्रदर्शन प्राप्त करता है और क्रॉस-कल्चरल संगीत विश्लेषण में कंपोजिशन-ग्रुपड मूल्यांकन और आयाम-विशिष्ट रिपोर्टिंग के महत्वपूर्ण महत्व को रेखांकित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
संगीत केवल मनोरंजन ही नहीं करता; यह भावनाओं को भी संजोता है। दशकों से, वैज्ञानिक कंप्यूटरों को इन भावनाओं को पहचानना सिखाने का प्रयास कर रहे हैं, जिसे 'म्यूजिक इमोशन रिकग्निशन' (संगीत भावना पहचान) के रूप में जाना जाता है। इसका लक्ष्य ऐसे सिस्टम बनाना है जो एक गीत को सुनकर यह बता सकें कि वह हमें खुशी, उदासी, शांति या उत्साह महसूस कराता है। यह क्षमता संगीत पुस्तकालयों को व्यवस्थित करने और श्रोताओं को नए गाने सुझाने में मदद करती है। हालाँकि, इस शोध का अधिकांश हिस्सा पश्चिमी पॉप और शास्त्रीय संगीत पर केंद्रित रहा है। अन्य संस्कृतियों के पारंपरिक संगीत, जैसे कि चीनी वाद्य संगीत, अक्सर भावनाएं पैदा करने के लिए अलग ध्वनियों, वाद्य यंत्रों और नियमों का उपयोग करते हैं। पश्चिमी संगीत पर प्रशिक्षित कंप्यूटर एक पारंपरिक चीनी बांसुरी के भावनात्मक भाषाई स्वरूप को नहीं समझ पाएगा। इसके अलावा, शोधकर्ताओं ने आमतौर पर इस बात का अध्ययन किया है कि संगीत हमें कैसा महसूस कराता है, इसे इस तथ्य से अलग रखा है कि लोग वास्तव में ऑनलाइन इसके साथ कैसे जुड़ते हैं। वास्तविक दुनिया में, एक गीत की लोकप्रियता कई चीजों पर निर्भर करती है, जिसमें कलाकार कौन है और वह कब रिलीज़ हुआ था, न कि केवल इस पर कि संगीत कैसा सुनाई देता है।
एक नया अध्ययन 'एथ्नोपल्स' (EthnoPulse) नामक एक प्रणाली पेश करता है, जिसे इन कमियों को दूर करने के लिए डिज़ाइन किया गया है। शोधकर्ताओं को एक कठिन समस्या का सामना करना पड़ा: उनके पास विस्तृत भावनात्मक लेबल वाला पारंपरिक चीनी संगीत का एक संग्रह था, लेकिन इस बात का कोई डेटा नहीं था कि उन विशिष्ट ट्रैक को ऑनलाइन कितनी बार बजाया गया था। उनके पास ऑनलाइन संगीत का एक अन्य विशाल संग्रह था जिसमें प्ले काउंट (बजाने की संख्या) मौजूद थी, लेकिन कोई भावनात्मक लेबल नहीं था। इन दोनों अलग-अलग डेटासेट्स को जबरदस्ती मिलाने या उनमें से किसी एक को अनदेखा करने के बजाय, टीम ने एक एकल कंप्यूटर मॉडल बनाया जो एक ही समय में दोनों से सीख सकता था। उन्होंने सिस्टम को पारंपरिक संगीत के ऑडियो को सुनकर उसकी भावनात्मक संरचना को समझने के लिए प्रशिक्षित किया, जबकि साथ ही दूसरे डेटासेट से ऑनलाइन जुड़ाव (engagement) की भविष्यवाणी करना सीखा। मॉडल बुनियादी ध्वनियों को समझने के लिए एक साझा "मस्तिष्क" साझा करता है, लेकिन इसमें भावनाओं या लोकप्रियता का अनुमान लगाने के विशिष्ट कार्यों को संभालने के लिए अलग-अलग मार्ग हैं। यह दृष्टिकोण सिस्टम को उपलब्ध सभी डेटा से सीखने की अनुमति देता है बिना किसी गलत जानकारी को जोड़े।
शोधकर्ताओं ने इस प्रणाली का परीक्षण चीनी पारंपरिक वाद्य संगीत के एक बड़े डेटासेट और एक ऑनलाइन प्लेटफॉर्म के लोक और अंतर्राष्ट्रीय संगीत के एक अलग डेटासेट का उपयोग करके किया। वे कंप्यूटर विज्ञान की एक आम गलती से बचने के लिए सावधान रहे जहाँ एक मॉडल केवल विशिष्ट रिकॉर्डिंग या कलाकार को याद कर लेता है बजाय संगीत को सीखने के। इसे रोकने के लिए, उन्होंने यह सुनिश्चित किया कि यदि संगीत का कोई टुकड़ा प्रशिक्षण सेट (training set) में दिखाई देता है, तो उसी रचना या प्रदर्शन का कोई अन्य संस्करण परीक्षण सेट (test set) में नहीं होना चाहिए। इस सख्त अलगाव ने यह स्पष्ट किया कि मॉडल सफलतापूर्वक पारंपरिक संगीत की भावनात्मक सामग्री और ऑनलाइन ट्रैक के जुड़ाव की संभावना, दोनों की भविष्यवाणी करने में सक्षम था। सिस्टम "अराउज़ल" (arousal - उत्तेजना/ऊर्जा), जो संगीत के ऊर्जावान या शांत होने का पैमाना है, की भविष्यवाणी करने में "वैलेंस" (valence - सुखद/दुखद), जो भावना के सकारात्मक या नकारात्मक होने को मापता है, की तुलना में सबसे अच्छा प्रदर्शन करता है।
अध्ययन ने यह भी खुलासा किया कि हम इन कंप्यूटर मॉडलों का मूल्यांकन कैसे करते हैं, इसके बारे में एक आश्चर्यजनक सच्चाई सामने आई। जब शोधकर्ताओं ने गानों को यादृच्छिक (randomly) रूप से विभाजित किया और टुकड़ों को प्रशिक्षण और परीक्षण सेटों के बीच मिला दिया, तो मॉडल बहुत बेहतर प्रदर्शन करते हुए दिखाई दिए। हालाँकि, यह एक भ्रम था जो मॉडल द्वारा संगीत को समझने के बजाय एक विशिष्ट रिकॉर्डिंग की ध्वनि को याद करने के कारण हुआ था। जब शोधकर्ताओं ने अधिक सख्त, रचना-आधारित परीक्षण पद्धति का उपयोग किया, तो स्कोर गिर गया, जिससे पता चला कि यादृच्छिक विधि वास्तविक कार्य की कठिनाई को छिपा रही थी। यह निष्कर्ष बताता है कि पिछले अध्ययन इस बारे में बहुत अधिक आशावादी रहे होंगे कि कंप्यूटर संगीत को कितनी अच्छी तरह समझ सकते हैं। इसके अतिरिक्त, जब टीम ने चीनी संगीत से सीखी गई बातों को पश्चिमी शास्त्रीय संगीत पर लागू करने की कोशिश की, तो यह ऊर्जा स्तरों की भविष्यवाणी करने के लिए तो अच्छा रहा लेकिन सकारात्मक या नकारात्मक भावनाओं की भविष्यवाणी करने में संघर्ष करता रहा। यह इंगित करता है कि जबकि संगीत की भौतिक ऊर्जा सार्वभौमिक हो सकती है, खुशी और उदासी के विशिष्ट सांस्कृतिक नियम नहीं हैं।
अंततः, यह शोध दिखाता है कि कंप्यूटर पारंपरिक संगीत की भावनात्मक संरचना को समझ सकते हैं और ऑनलाइन रुचि की भविष्यवाणी कर सकते हैं, लेकिन केवल तभी जब उन्हें सावधानीपूर्वक सिखाया जाए। यह सिस्टम यह दावा नहीं करता है कि भावना लोकप्रियता का कारण बनती है, बल्कि यह सिद्ध करता है कि एक गीत की ध्वनिक संरचना (acoustic structure) में ऐसे संकेत होते हैं जो दोनों की भविष्यवाणी करने में मदद करते हैं। यह कार्य इस बात पर प्रकाश डालता है कि पारंपरिक संगीत के लिए अपना विशिष्ट दृष्टिकोण आवश्यक है और इन सिस्टमों का परीक्षण करने का तरीका उतना ही महत्वपूर्ण है जितना कि स्वयं सिस्टम। परीक्षण डेटा को यादृच्छिक संयोग के बजाय रचना (composition) के आधार पर अलग करके, शोधकर्ताओं ने इन कृत्रिम बुद्धिमत्ता उपकरणों के बारे में अधिक ईमानदार तस्वीर प्रदान की है। परिणाम बताते हैं कि हालांकि हम मशीनों को सुनने में बेहतर बना रहे हैं, हमें अपनी सफलता को मापने के तरीके के प्रति सतर्क रहना चाहिए, विशेष रूप से जब सांस्कृतिक सीमाओं को पार किया जाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।