Publication

A Model Comparison for Chord Prediction on the Annotated Beethoven Corpus

Martin Alois Rohrmeier, Fabian Claude Moss, Robert Lieck
2019
Conference Papers

Résumé

This paper models predictive processing of chords using a corpus of Ludwig van Beethoven’s string quartets. A recently published dataset consisting of expert harmonic analyses of all Beethoven string quartets was used to evaluate an n-gram language model as well as a recurrent neural network (RNN) architecture based on long-short-term memory (LSTM). We compare model performances over different periods of Beethoven’s creative activity and provide a baseline for future research on predictive processing of chords in full Roman numeral representation on this dataset.

Source officielle

https://infoscience.epfl.ch/entities/publication/76611f79-4b9d-4b14-a2f1-c8ce51d8957f

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

A Model Comparison for Chord Prediction on the Annotated Beethoven Corpus

Chattez avec Graph Search

Fixed point geometry in chaotic neural networks

Automated Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning

Wear across scales