💻 computer science

Tonnetz-Driven Graph Wedgelet for Harmonic Complexity Reduction in Music Scores

Dit artikel stelt een methode voor om de harmonische complexiteit van symbolische partituren te verminderen door een heterogene graaf van muzikale elementen te construeren en de piano-subgraaf te comprimeren met behulp van een adaptief gul algoritme dat noten verdeelt in wiggen op basis van een zesdimensionale Tonnetz-embedding om vereenvoudigde, speelbare partituren te genereren terwijl de harmonische relaties behouden blijven.

Oorspronkelijke auteurs: Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

Gepubliceerd 2026-07-13

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, ingewikkelde LEGO-kasteel hebt dat een muziekstuk vertegenwoordigt. Elke individuele steen is een noot, en ze zijn allemaal op een specifieke, complexe manier opgestapeld. Stel je nu voor dat je dit kasteel wilt verkleinen zodat het in je broekzak past, zonder de "ziel" van het gebouw te verliezen. Je kunt het niet zomaar willekeurig kapotslaan, want dan ziet het er niet meer uit als een kasteel. Je hebt een slimme manier nodig om de stenen te groeperen, zodat wanneer je het weer opbouwt, het nog steeds op het origineel lijkt en klinkt, alleen simpeler.

Dat is precies wat dit artikel doet, maar in plaats van LEGO gebruikt het muziekpartituren, en in plaats van handen gebruikt het een slim wiskundig hulpmiddel genaamd een graaf.

Het Probleem: Te veel stenen, te weinig ruimte

Muziekpartituren, vooral de pianopartijen die een zanger begeleiden, zitten vaak vol met herhaling. Denk aan een liedje waarbij de piano een sierlijk, rollend patroon steeds opnieuw speelt. Voor een computer is elke enkele noot in dat rollende patroon een aparte, unieke steen. Dit creëert een "graaf" (een kaart van verbindingen) die enorm en rommelig is.

De auteurs stellen dat eerdere manieren om muziek te vereenvoudigen leken op het proberen plat te drukken van een 3D-sculptuur tot een plat vel papier. Ze negeerden óf de muzikale relaties tussen noten, óf behandelden de muziek als een simpele lijst met geluiden, waardoor de diepe, harmonische verbindingen die muziek "goed" laten klinken, verloren gingen.

De Oplossing: De "Harmoniekaart" (Tonnetz)

Om dit op te lossen, hebben de onderzoekers een speciale kaart gebouwd die een Tonnetz wordt genoemd. Stel je een standaard klok wijzerplaat voor waarbij de getallen 1 tot en met 12 de muzikale noten vertegenwoordigen. Op een normale klok is de afstand tussen 1 en 2 even groot als tussen 1 en 7. Maar in muziek zijn 1 en 7 (een reine kwint) beste vrienden, terwijl 1 en 2 vreemden zijn.

De auteurs gebruiken een zesdimensionale versie van deze kaart. Denk aan een magische, meerlagige speeltuin waar noten die goed bij elkaar klinken fysiek dicht bij elkaar staan, en noten die botsen ver van elkaar vandaan liggen. Dit is cruciaal omdat het ervoor zorgt dat de computer harmonie begrijpt, en niet alleen de volgorde van noten.

De Magische Truc: De "Wedge" Slicer

Dit is de kern van hun uitvinding: de Graph Wedgelet.

Stel je voor dat je een enorme, rommelige hoop klei hebt (de muziekgraaf). Je wilt deze in grote, gladde stukken snijden, genaamd wedges (wiggen). Het doel is om elk stuk zo uniform te maken dat je het hele stuk kunt beschrijven met slechts één enkel getal (het gemiddelde van de noten erin).

Het artikel introduceert een "Fully Adaptive Greedy" algoritme. Dit is een chique manier om te zeggen dat de computer een spelletje "warm en koud" speelt:

Het kijkt naar de hele hoop klei.
Het vraat: "Als ik dit nu doormidden snijd, welke snede zal ervoor zorgen dat de twee nieuwe hopen het meest op elkaar lijken?"
Het maakt de snede.
Het herhaalt dit proces, recursief de hopen splitsend, totdat het het aantal stukken heeft dat het nodig heeft.

De "snede" is niet willekeurig. Het gebruikt de Tonnetz-kaart om te garanderen dat noten die bij elkaar horen, ook harmonisch gerelateerd zijn. Als een stuk een C-majeur akkoord bevat, houdt de computer dit bij elkaar. De computer zal niet per ongeluk een C groeperen met een noot die verschrikkelijk klinkt naast de C.

Het Resultaat: Een Simpelere, Speelbare Partituur

Zodra de muziek in deze "wedges" is gehakt, vervangt de computer elke enkele noot in een wedge door de gemiddelde noot van die groep.

Denk er zo over na: als een wedge 50 noten bevat die allemaal variaties zijn van een C-majeur akkoord, zegt de computer: "Oké, voor dit hele gedeelte spelen we gewoon de 'gemiddelde' C."

Het artikel laat zien dat dit prachtig werkt. In hun simulaties namen ze 70 echte muziekpartituren van drie verschillende componisten. Ze testten hoeveel ze de muziek konden verkleinen (de compressieratio) voordat het slecht klonk.

Wanneer ze alles behielden (100% van de noten), was het resultaat perfect.
Wanneer ze de muziek zwaar comprimeerden (tot slechts enkele wedges), werd de muziek veel simpeler, maar klonk het nog steeds als het originele liedje.

Het artikel stelt expliciet dat deze methode geen nieuwe noten introduceert die niet in het originele nummer zaten. Het kiest alleen uit de noten die de componist al heeft geschreven. Dit is een veiligheidsfunctie: de vereenvoudigde partituur is altijd speelbaar en leesbaar voor een mens, en het verzint nooit vreemde, buitenaardse noten die daar niet horen.

Wat dit NIET is (en wat het NIET doet)

Het is belangrijk om te weten wat dit artikel niet beweert.

Het beweert niet dat het een magische toverstaf is die elke bestand direct kan comprimeren. Het werkt specifief op het piano-begeleidingsgedeelte van zang-piano partituren. Het behandelt de melodie of de tekst nog niet op dezelfde manier.
Het zegt niet dat dit de "perfecte" compressiemethode voor de eeuwigheid is. De auteurs geven toe dat ze momenteel een hele wedge vervangen door een enkele, constante noot. In de toekomst hopen ze complexere vormen te gebruiken om de beweging binnen een wedge te vangen, maar voor nu is het een platte, constante gemiddelde waarde.
De resultaten zijn gebaseerd op simulaties en experimenten op een specifieke set van 7o partituren. Ze hebben dit niet op elk muziekstuk dat ooit geschreven is getest, maar de wiskunde klopt voor de stukken die ze hebben geprobeerd.

De Kern van het Verhaal

De auteurs hebben een hulpmiddel gebouwd dat fungeert als een slimme editor voor muziek. Het bekijkt een complexe pianopartij, vindt de verborgen harmonische patronen en groepeert vergelijkbare noten samen in "wedges". Vervolgens vereenvoudigt het de partituur door die groepen te vervangen door hun gemiddelde klank.

Het resultaat is een nieuwe, simpelere versie van de muziek die makkelijker te lezen en te spelen is, maar nog steeds als het originele stuk klinkt. Het is alsof je een foto met een hoge resolutie neemt en deze verandert in een pixel-art versie die nog steeds exact hetzelfde onderwerp laat zien, alleen met minder pixels. Het artikel suggereert dat dit de eerste stap kan zijn naar software die automatisch vereenvoudigde arrangementen maakt voor beginners, waarbij wordt gegarandeerd dat de muziek trouw blijft aan de oorspronkelijke visie van de componist.

Technische Samenvatting: Tonnetz-gestuurde Graph Wedgelet voor Reductie van Harmonische Complexiteit in Muziekpartituren

Probleemstelling
Symbolische muziekpartituren, met name die met zang- en pianopartijen, vertonen een significante structurele redundantie in hun begeleiding. Harmonische figuren, zoals Alberti-bassen, gearpeerde akkoorden en ostinati, herhalen vaak dezelfde harmonische sequenties over uitgebreide temporele perioden. Hoewel bestaande compressiemethoden voor symbolische muziek bestaan—variërend van algoritmische informatietheorie (bijv. Lempel-Ziv) tot wavelet-transformaties op melodische signalen en tokenisatie voor neurale verwerking—lijden zij aan specifieke beperkingen. Huidige benaderingen opereren doorgaans op het niveau van het signaal, het sequentiële event of het symbolische token. Cruciaal is dat zij niet gelijktijdig kunnen voldoen aan: (i) aanpassing aan de geometrie van de onderliggende graafrepresentatie van de partituur; (ii) rekening houden met harmonische afstand in plaats van louter chromatische afstand; en (iii) de reconstructie beperken tot een geldige muzikale partituur binnen de oorspronkelijke toonladder en instrumentatie. Er is behoefte aan een compressieschema dat de harmonische complexiteit vermindert terwijl relevante informatie, notenrelaties en de graafstructuur behouden blijven.

Methodologie
De auteurs stellen een structuurbehoudend compressieschema voor de piano-subgraaf van vocale-pianistische partituren voor, gebruikmakend van een Tonnetz-gestuurd Graph Wedgelet-framework. De methodologie integreert graafsignaalverwerking met muziektheorie als volgt:

Graafrepresentatie: De muziekpartituur wordt gemodelleerd als een heterogene graaf waarbij knopen noten vertegenwoordigen (melodielijn, tekst, begeleiding) en randen sequentiële, verticale en cross-modale relaties coderen. De compressie richt zich specifiek op de piano-subgraaf ( $G_{piano}$ ).
Tonnetz Embedding: Om te waarborgen dat de compressie de harmonische relaties respecteert, worden muzikale noten toegewezen aan een zesdimensionale vectorruimte met behulp van een Tonnetz embedding. Deze embedding projecteert toonklassen op een cirkel met behulp van drie verschillende gehele factoren ( $k_1, k_2, k_3$ ) om grote tertsen, kleine tertsen en de kwintencirkel te vangen. De Euclidische metriek in deze 6D-ruimte vangt harmonische nabijheid in plaats van eenvoudige chromatische afstand.
Binary Wedge Partitioning (BWP): De graaf wordt verdeeld in regio's genaamd "wedges" (wiggen) met behulp van een Fully Adaptive Greedy (FA-greedy) algoritme.
- Het proces construeert een binaire boom door de graaf recursief te splitsen.
- Splitsingscriterium: Bij elke stap selecteert het algoritme een wedge om te splitsen en een nieuwe centrumknoop ( $v_{m+1}$ ) om de $L_2$ -fout van de resulterende partitie binnen de 6D Tonnetz embedding te minimaliseren.
- Connectiviteit: De splitsing is gebaseerd op de kortste-padafstand op de graaf, wat ervoor zorgt dat elke resulterende wedge een verbonden subgraaf blijft (muzikaal samenhangend).
Codering en Decodering:
- Encoder: Het FA-greedy algoritme genereert een set van $M$ wedges op basis van een compressieratio $r$ . Het signaal binnen elke wedge wordt benaderd door de gemiddelde waarde van de noten in de Tonnetz embedding.
- Decoder: Om een speelbare partituur te reconstrueren, wordt de gemiddelde waarde van elke wedge gekwantiseerd. Het algoritme selecteert de dichtstbijzijnde toonklasse die aanwezig is in de oorspronkelijke wedge uit de set toonklassen die daadwerkelijk in die regio worden gebruikt ( $PC(V_{vi})$ ). Dit zorgt ervoor dat de gereconstrueerde noten afkomstig zijn uit het oorspronkelijke palet van de componist, wat het introduceren van vreemde toonklassen voorkomt.
Export: Het gereconstrueerde stuksgewijs constante MIDI-signaal wordt teruggemapt naar de oorspronkelijke MusicXML-structuur, waarbij alle niet-toonhoogte attributen (duur, dynamiek, articulatie, etc.) behouden blijven terwijl de toonhoogtewaarden worden bijgewerkt.

Belangrijkste Bijdragen

Harmonisch-bewuste Compressie: Het artikel introduceert een compressiemethode die expliciet de fout minimaliseert in een harmonische ruimte (Tonnetz) in plaats van een chromatische of tijdreeksruimte, waardoor de gereduceerde complexiteit de intrinsieke harmonische relaties weerspiegelt.
Graaf-adaptieve Partitionering: Door binaire wedge-partitioneringtrees toe te passen op de partituur-graaf, past de methode zich aan de specifieke topologie van de muzikale begeleiding aan, waarbij de connectiviteit van muzikale fragmenten behouden blijft.
Geldige Partituurreconstructie: De voorgestelde kwantiseringsstrategie garandeert dat de output een geldige, menselijk leesbare en speelbare partituur is die de oorspronkelijke instrumentatie en toonladder behoudt, en het genereren van "gehallucineerde" noten die niet in het bronmateriaal aanwezig waren voorkomt.
Integratie van Frameworks: Het werk breidt het graph wedgelet-framework (voorheen toegepast op afbeeldingen en biomedische gegevens) uit naar het domein van de symbolische musicologie door het te combineren met multidimensionale toonhoogte-embeddings.

Experimentele Resultaten
De auteurs evalueerden de aanpak op een corpus van 70 symbolische muziekpartituren (MusicXML-formaat) van drie verschillende componisten.

Metriek: De prestaties werden gemeten met de Root-Mean-Square Error (RMSE) tussen het originele Tonnetz-waardige signaal en de wedgelet-benadering, berekend per vertex.
Bevindingen: De experimenten toonden een afruil aan tussen de compressieratio ( $r$ ) en de reconstructiefaillibiliteit. Naarmate de ratio $r$ afneemt (minder wedges), neemt de RMSE toe, wat wijst op een grotere harmonische afwijking. Echter, de visuele analyse van gereconstrueerde maten (Fig. 4) toonde aan dat zelfs bij lagere ratio's het systeem de oorspronkelijke toonhoogte voor een aanzienlijk deel van de noten behoudt (groene notenkoppen), waarbij herverdelingen (gele notenkoppen) voornamelijk optreden waar de harmonische vereenvoudiging het meest effectief is. De methode genereerde succesvol vereenvoudigde partituren die herkenbaar bleven als de originele stukken.

Significantie en Claims
Het artikel positioneert dit werk als een noodzakelijke stap naar de automatische generatie van vereenvoudigde muzikale arrangementen. De auteurs beweren dat hun methode een "noodzakelijke voorwaarde" voor dit doel vaststelt: ervoor zorgen dat een gecomprimeerd arrangement een geldige muzikale partituur blijft die herkenbaar is als het originele stuk. Door de harmonische structuur en de graaftopologie te bewaren, maakt de methode het mogelijk om de harmonische complexiteit te verminderen zonder de muzikale identiteit van de begeleiding te verstoren. De auteurs merken bescheiden op dat het huidige schema geïsoleerd opereert op de homogene piano-subgraaf en dat toekomstig werk vereist is om de foutmetrieken en splitsingscriteria uit te breiden naar de volledige heterogene graaf (inclusclusief melodie en tekst) en om niet-constante functies binnen wedges te verkennen om intra-wedge harmonische beweging te vangen.