From local kernels to global form: modeling the emergence of musical content

技術的要約：局所的カーネルからグローバルな形式へ

問題提起
アルゴリズム作曲および音楽分析における従来のマルコフモデルは、通常、シーケンス全体に対して単一の、グローバルに一定な遷移行列を仮定する時間均質性に依存している。これは局所的な統計的規則性を捉えることはできるが、音楽的文法の時間的進化を説明するには不十分である。均質モデルでは、すべての状態の出現は、その形式的な配置に関わらず統計的に等価として扱われ、長距離の構造情報を単一の行列へと圧縮してしまう。この混同により、モデルは（異なるセクションなど）構造的に異なる領域で発生する遷移を区別できなくなり、理解可能な形式に不可欠な時間的コンテキストを破棄してしまう。高次のモデルはより深いコンテキストを捉えることができるが、本質的に時変的な構文規則の問題を解決するものではなく、しばしばデータの疎性（スパース性）の問題に直面する。

手法
著者らは、時間均質性の仮定を緩和しつつ、一次マルコフ特性（無記憶性）を保持する、観測駆動型の推定メカニズムを提案している。外生的な形式的分割からグローバルなカーネルを導出するのではなく、本手法は、重なりのあるスライディングウィンドウを用いて、単一の記号列から直接、局所的な遷移カーネルの軌跡を抽出する。

• スライディングウィンドウ推定: ウィンドウ長 $L$ とステップサイズ 1 が与えられるとき、シーケンスは重なりを持つウィンドウ $w_m$ に分割される。各ウィンドウについて、局所的な遷移カウント行列 $C^{(m)}$ が計算され、正規化されて局所カーネル $\hat{P}^{(m)}$ が形成される。
• 疎性の処理: 小さなウィンドウにおける行の疎性を対処するため、著者らは「ハード・バックオフ（hard backoff）」戦略を採用している。局所的な行にゼロの質量がある場合、グローバル推定値 $P^{(G)}$ が使用され、それ以外の場合は局所推定値が保持される。収縮推定量（式3）もテストされたが、中立性を維持するためにベースラインとしては却下された。
• 二次元分析: 本手法は、同一のスコアから得られる、絶対的なMIDIピッチと正確な記譜上の音価という、整列した2つの記号ストリームに適用される。これらは、結合された状態空間ではなく、それぞれ独自のカーネルの軌跡を持つ独立したマルコフ連鎖として扱われる。
• 検証指標: 本研究では、連続する局所的な遷移分布間のダイバージェンス（相違）を測定するために、イェンセン・シャノン（JS）距離を使用する。これらの距離の理論的最大値は、ウィンドウの幾何学的形状（$1/\sqrt{L-1}$）によって制約される。

ケーススタディおよび実験設定
本メカニズムは、ドビュッシーの『シリンクス』（1913年、独奏フルートのための単旋律作品）を用いてテストされている。この楽曲は、273個の論理的な音イベント（タイを統合し、装飾音を除外した後）のシーケンスとして分析される。

• リファレンス: 本研究では、広く提唱されている A–B–A' マクロフォームを比較用のリファレンスとして使用しており、特に小節9と26における境界を対象としている。これらは、真の正解（ground truth）ではなく、反証可能な参照点として扱われる。
• パラメータ: 実験は、ウィンドウ長 $L \in \{2, 6, 20\}$ で行われる。先行する定性的評価に基づき、$L=6$ が解釈可能性と分散のバランスが取れた選択として選定された。
• 生成的評価: 著者らは、生成されたシーケンスがピッチおよび音価の両次元においてソースからどの程度逸脱するかを定量化するために、500回の描画による再合成実験を行う。

主な結果

1. 境界への感度: $L=6$ において、ピッチと音価の両方のカーネルは、リファレンスの境界（小節9および26）において理論上の最大JS距離に達する。この一致は、本手法が形式的境界に対して敏感であることを示唆している。
2. 選択性の違い: ピッチ次元は広範な高いJS値のプラトー（高原状態）を示す一方（267件の比較中210件）、音価次元は大幅に選択性が高い（267件中64件）。これは、この文脈において、リズムの遷移構造がピッチよりも鋭い境界検出を提供することを示している。
3. 幾何学的制約: 著者らは、$L=6$ における最大JS値はウィンドウのターンオーバー（$1/\sqrt{5} \approx 0.447$）によって幾何学的に決定されると指摘している。したがって、この最大値に達することは、境界への感度と整合しているが、それ自体が異常に強い境界効果の独立した証拠となるわけではない。
4. 生成的挙動: 再合成実験により、$L=2$ ではモデルが単にソースを再現するという「完全コピーの退化（exact-copy degeneracy）」が明らかになった。$L$ が6および20に増加すると、生成されたシーケンスは、遷移分布の距離は低いまま維持されているにもかかわらず、ソースからの実質的なイベントレベルの逸脱を示す。
5. 自動セグメンテーションの限界: JS曲線の広範なプラトーの存在により、ピッチまたは音価のいずれか一方の曲線のみを、一意の自動セグメンターとして扱うことはできない。本手法は変化の領域を特定するが、単一の決定的な分割をもたらすものではない。

意義と主張
本論文は、重なりのあるスライディングウィンドウを介して導出された局所カーネルが、単一のグローバルな推定器によって隠蔽されてしまう形式的変化を露呈できることを示す、という控えめな主張を行っている。ピッチと音価の軌跡がリファレンスの境界においてクロス次元的に整列していることは、『シリンクス』の A–B–A' 構成と一致している。

著者らは、彼らの貢献はスライディングウィンドウや非均質マルコフ連鎖そのものの発明ではなく、分析および生成の両目的のために、単一のシーケンスから導出された指向的な条件付き遷移構造を適用し評価したことにあると強調している。本研究は、本手法が単一の強制的な分割ではなく、マルチスケールな読解を支持する、境界への感度と一致したマルチスケールな観測を提供するものであると結論付けている。これは、『シリンクス』に関する既報の分析がマクロフォームには収束しながらも、内部の区分については意見が分かれていることを認めたものである。