技術要約：DECOMPOSER – シンボリック音楽からプログラムへの逆コンパイル学習

問題定義

本論文は、**シンボリック音楽の逆コンパイル（symbolic music decompilation）**という課題に取り組んでいる。これは、シンボリックな音楽入力（具体的にはMIDI）から、実行可能かつ編集可能な音楽プログラムを復元するタスクと定義される。音楽の演奏は高レベルな命令の実行を伴うが、その結果としての演奏から命令を復元することは、困難な逆問題である。

著者らは、このタスクを MIDI-to-Strudel 逆コンパイルとして具体化している。Strudelは、JavaScript構文を用いたアルゴリズム作曲およびライブコーディングのためのドメイン固有言語（DSL）である。MIDIが音楽を低レベルなノートイベントのシーケンスとして表現するのに対し、Strudelは、反復、レイヤー、時間構造のためのオペレータを用いて、高レベルなパターン式として音楽を表現する。

核心となる課題は、以下の2つの相反する目的のバランスを取ることにある：

1. 忠実性（Faithfulness）: 生成されたプログラムを実行した際、入力されたMIDIを正確に再現すること。
2. 可読性（Readability）: 生成されたプログラムが人間にとって読みやすく、編集可能であること。つまり、冗長なノート単位の書き出しではなく、潜在的な音楽構造（例：コード進行、リズムパターン）を露出させること。

既存の手法はこのバランスに失敗している。ヒューリスティックなコンバータは高い忠実性を達成するが、可読性の低いコードを生成し、一方で最先端のLLMは可読性の高いコードを生成するものの、入力MIDIを忠実に再構成できないことが多い。さらに、このタスクはデータが不足している。自然なペア（MIDI, Strudel）のデータセットは事実上存在せず、Strudelはリソースの少ない言語である。

手法

著者らは、逆コンパイルの目的を直接最適化するために設計された、2段階のポストトレーニング・フレームワークである DECOMPOSER を提案する。

1. データ構築：STRUDEL-SYNTH

ペアとなる訓練データの欠如に対処するため、著者らは 21,174 組の（Strudelプログラム、レンダリングされたMIDI）ペアからなる合成コーパス STRUDEL-SYNTH を構築した。

• 生成: 先端LLM（Claude-Opus-4.6）に対し、音楽的シード（ジャンル、ムード、キーなど）およびコードスタイル・シード（ミニ・ノテーション、スタッキング、アレンジメントなどのイディオム）に基づいたStrudelプログラムを生成するようプロンプトを与える。
• クリーニング: 生成されたプログラムは、一般的な構文エラーを修正するための正規表現による書き換えと、「デッド・ボイス（コンパイルはできるが音を出さないレイヤー）」を除去するためのASTベースのプルーニングを含むクリーニング・パイプラインを経る。
• レンダリング: クリーニングされたプログラムは、ヘッドレスStrudelランタイムを介して実行され、対応するMIDIを生成する。

2. 2段階のトレーニング・パイプライン

DECOMPOSERは、オープンウェイトモデル（Qwen3-4BおよびQwen3-8B）を用いた逐次的なトレーニング戦略を採用している。

• 第1段階：教師あり微調整（SFT）
  モデルをペアとなったSTRUDEL-SYNTHデータセットで微調整する。この段階では、モデルに有効で慣習的なStrudelコードを生成することを教え、後続の強化学習中にモデルが退化した解に陥るのを防ぐための「ウォームスタート」を提供する。

• 第2段階：強化学習（RL）
  Group Reward-Decoupled Normalization Policy Optimization (GDPO) を用いてモデルをさらに最適化する。

  • 入力: ペアになっていないMIDIデータ（参照コードは不要）。
  • プロセス: 与えられたMIDI入力に対し、モデルは一連の候補プログラムをサンプリングする。各候補はStrudelランタイムを介して実行される。
  • 報酬関数: $R(\hat{y}, x)$ は、以下の要素に基づく複合報酬として計算される：
    1. 忠実性 ($R_{faith}$): 入力MIDIとレンダリングされたMIDIの間のマルチインストゥルメント・オンセットF1スコアによって測定される。
    2. 可読性 ($R_{read}$): 一般的なコード品質（フォーマット、コメント）およびStrudel特有の抽象化（パターンオペレータ、コードシンボル、変数再利用の利用）をカバーする12個のバイナリ基準（ルーブリック）を評価するLLMジャッジによって測定される。
  • 最適化: GDPOは、報酬を各コンポーネントに対して独立して正規化した後に集計する。これにより、一方の要素が他方を支配することなく、モデルが忠実性と可読性の両方を最適化できるようにする。

主な貢献

1. タスクの定式化: 低レベルなシンボリック音楽から高レベルで編集可能なプログラム的構造を復元することに焦点を当てた、シンボリック音楽の逆コンパイルという明確なタスクを導入した。
2. フレームワーク (DECOMPOSER): 合成データによるSFTと、非ペアデータによる実行ベースのRLを組み合わせた、2段階のポストトレーニング・フレームワーク。このアプローチにより、RL段階で参照コードを必要とせずに大規模な学習が可能となる。
3. データセット (STRUDEL-SYNTH): LLM生成とランタイム実行を通じて構築された、21,174組の（Strudel, MIDI）ペアからなる大規模な合成コーパスを公開した。これは、公開されている既存の人間によるStrudelaコードよりも約30倍大きい。
4. 実証結果: このパイプラインで訓練された8Bのオープンウェイトモデルが、逆コンパイルの忠実性において、可読性を同程度に維持しつつ、クローズドソースの最先端LLMを大幅に上回ることを示した。

結果

実験は、合成（STRUDEL-SYNTH）および実世界のMIDIベンチマーク（LMD, GigaMIDI, NES-MDB, Nottingham）で行われた。

• 忠実性: DECOMPOSERは、入力MIDIの再構成において、最先端のLLM（Claude-Opus-4.6, Gemini-3.5-Flash, GPT-5.5）を大幅に上回る。LMDデータセットにおいて、DECOMPOSER (8B) モデルは、最良の最先端LLMと比較してオンセットF1スコアを+0.32向上させた。
• 可読性: ヒューリスティックなコンバータは、冗長なノート単位の書き出しによって高い忠実性を達成するが（その結果、可読性スコアは低くなる）、DECOMPOSERは、最先端LLMに匹敵する高い可読性スコア（Rubric）を持つコードを生成する。
• 多様性: モデルは「多様性の崩壊（diversity collapse）」を回避し、単一の書き出しテンプレートに収束することなく、多様なコード構造を生成する。
• 汎化性能: モデルは、アウトオブドメインのデータセット（例：チップチューン、フォークミュージック）にもよく汎化するが、パフォーマンスは入力ジャンルのリズムの規則性や構造的複雑さに応じて変化する。

意義と主張

本論文は、DECOMPOSERが、正確な再構成に必要な忠実性と、人間の有用性に必要な可読性の間のギャップを正常に埋めることを主張している。MIDIが個々のイベントへと平坦化してしまう「潜在的な音楽構造」を復元することで、本システムは以下を可能にする：

• プログラムによる編集: 個々のノートを調整するのではなく、コードを通じて高レベルな音楽構造（コード、スケール、レイヤー）を編集することを可能にする。
• 音楽理解: 生のノートシーケンスよりも、LLMによる音楽分析に適した中間表現（コード）を提供する。
• オーディオ・トゥ・コード・パイプライン: 自動音楽採譜（AMT）と組み合わせることで、将来のオーディオ・トゥ・コード逆コンパイル・システムの重要なコンポーネントとなる。

著者らは、逆コンパイルにおいて機能的な等価性だけでは不十分であり、復元されたプログラムは人間にとって有用であるために可読かつ編集可能でなければならないことを強調している。DECOMPOSERは、実行ベースの強化学習が、リソースの少ないドメイン固有言語の設定において、このトレードオフを効果的に最適化できることを示している。