GLSR-VAE: Geodesic Latent Space Regularization for Variational AutoEncoder Architectures

Par Gaëtan Hadjeres, Frank Nielsen et François Pachet.

GLSR-VAE: Geodesic Latent Space Regularization for Variational AutoEncoder Architectures. arXiv:1707.04588, submitted 14 July 2017. DOI: 10.48550/arXiv.1707.04588.

Lire l’article (PDF)
Notice arXiv
DOI

À propos de l’article

Comment transformer la représentation interne apprise par un modèle génératif en commande musicale utile ? GLSR-VAE introduit une régularisation géodésique de l’espace latent des autoencodeurs variationnels. Elle façonne la représentation pour que les déplacements correspondent à des variations d’attributs du matériau généré.

Résumé de l’article

La régularisation s’ajoute à l’objectif d’entraînement du VAE afin de relier les mouvements dans l’espace latent à des attributs continus des données. Les auteurs l’illustrent sur la musique monophonique en générant des variations contrôlées de séquences de notes discrètes. Ils étudient comment une représentation continue apprise peut soutenir l’exploration intentionnelle de variations musicales.

Travaux connexes

Flow Machines — les recherches plus générales sur la génération musicale contrôlable.
DeepBach: A Steerable Model for Bach Chorales Generation — les travaux des mêmes auteurs sur la génération de chorals sous contraintes.
Deep Learning Techniques for Music Generation — A Survey

Retour aux publications