10月25日（火）

6時半起床。残っているパンとハム、チーズ、お菓子などとコーヒー。メールを読んで少し仕事。昨日のチュートリアルが寒かったので、西安用に持ってきていたカシミアのセーターを着て、8時半すぎに会場へ。会場ではコーヒーとカップケーキなどが振る舞われている。

9時からオープニング。委員長のOgihara先生があいさつ。予定よりやや遅れて9:20ぐらいからInvited Talk。

Designing the Future: An Affective Neuroscience Approach (David Huron, Ohio State U)
最初に「ロバと人間とカラスのお話」。今ここにある水を飲むか、水を飲まずに不死になるかを選ぶお話。ロバも人間も最後は水を飲む方を選ぶ。

いろいろな「価値」について。複数の価値の葛藤。「優先順位」による解決とその問題点。優先順位によらない解決を探るべき。

例：暗い家の例。扉を開ければ明るいが寒い。扉を閉めれば暗いが暖かい。価値の葛藤が起きているが、ガラス窓というテクノロジーによって両方が解決される。

例：カルノー効率。太陽電池などの効率が上がれば、新しい価値が生まれる。

工学について。工学のほとんどは応用科学ではなく、試行錯誤による。
工学について。技術は価値の葛藤をなくすことが動機となる。工学は「応用倫理哲学」である。

デザイン：価値の葛藤を見いだす。物理的・社会的実体をどう操作すればその葛藤を減らすことができるか？

価値の根元とは何か。進化的な答えは「適応的行動」
Distal goal とproximal approach。たとえば栄養摂取がdistal goal、空腹間が proxinal approach。Distal-proximal gap。

感情について。感情の様々な考え方。Tomkinの定義によれば、「かゆみ」とか「空腹」、「嫉妬」なども感情に含まれる。

感情はなぜ重要か。痛覚を感じない人が100万人に一人生まれる。不快の効用。多少の不快感は健康に生きるために必要不可欠。

Auditory cuteness.20mlの空間を小さいパワーで駆動した音がかわいい(Huron, 1999)。乳児の声道とほぼ同じ容積。オカリナ、ソプラニーノリコーダーなどとも同じ。

Cutenessは親としての活動のためのproximal behavior。

Righteous indignation（不公平感？）。伝統的経済学では説明が付かない行動を説明する。

Pleasure channels。stimulus->proximal->distal

Hedonic mixture 例：Betty Boop
 首から上は幼児、下は成人女性のproximity

Superstimuli  例：フライフィッシング

複数の快(pleasure)。Dinner-party model。ディナーパーティーはhedonic technologyの例。
例：スポーツバー。グルコース、オキシトシン、アルコール、ニコチン、セロトニン（ひいきのチームが勝ったときのみ）。

Hedonic targeting: 例：デディベアの進化。手足が縮み、目と頭は大きくなった。幼児性の強調。幼児的特徴を好む傾向は6-8歳まで現れない。

Genres as saddlepoints。音楽ジャンルはなぜあるのか。いくつかのpleasure channelsは排他的。（興奮と抑制を同時に与えることはできない）

ゲーム業界でのhedonic technology。スロットマシンがどの程度の確率で当たると最もよいか。

伝統的音楽と西洋音楽の葛藤。ミクロネシアの若者は西洋音楽を聴きたい一方、伝統音楽がなくなるのもよいと思っていない。

予定より20分遅れで10時40分ぐらいに終了。

この後コーヒーブレイク。部屋が予想より暖かいので、ふつうのシャツに着替えてくる。10時50分ぐらいに開始。

○Melody and Singing

An Auditory Streaming Approach for Melody Extraction from Polyphonic Music (Fraunhofer Inst. for Digital Media Technology)
フレームワイズな処理で混合音楽信号中から歌声のピッチやメロディなどの情報を抽出するのが目的。音脈分凝の話から、音の信号分離の話へ。手法として、音 脈を追いかけるstreaming agentを使う。300セント間隔で18匹のstream agentを放つ。各フレームで、各streaming agentは自分の注目周波数付近で強い成分を持つ周波数を追いかける。最もスコアの高いagentの軌跡からvoice objectを抽出する。最もsaliencyの高いvoice objectをメロディーラインとして同定。MIREX2005,2006,2009データベースで高いメロディ推定性能。

An Acoustic-Phonetic Approach to Vocal Melody Extraction (National Taiwan U)
メロディー抽出の話なのだが、なぜか最初にフォルマント合成の話。縦軸が時間で横軸が周波数のスペクトログラムを初めて見た。入力音から10次元のパラ メータ（ピッチ周波数やフォルマント周波数らしい）を抽出し、人間の声のもつ空間分布（フォルマント合成によって近似する）と観測音のパラメータが近いか どうかによって観測音が人間の声かどうかを識別する話らしい。声の空間は性別ごと、母音ごとに作られる。細かい話は説明がなく、よくわからなかった。

A System for Evaluating Singing Enthusiasm for Karaoke (Tohoku U)
大道君が歌のパフォーマンスを交えて発表。音声からの熱唱度推定システム。パフォーマンスが受けていた。

Automatic Assessment of Singer Traits in Popular Music: Gender, Age, Height and Race (Technische U Muenchen)
歌声からの歌唱者の性別、年齢、身長、人種などの識別。581曲の歌唱データベース(UltraStar Singer Traits DB, www.openaudio.eu)を利用。認識はビート単位、識別はBLSTM（ニューラルネットの一種）。NMFによって打楽器成分を除き、調波成分 の改善をしている。また、抽出した音声にもう一度ソースフィルタモデルのNMFを適用して音声を改善する。特徴量はMFCCとデルタ、ゼロクロスなど。性 別、年齢、身長、人種について2〜3クラスの識別をして、性別は90%前後、年齢は60%弱、それ以外は70%台。まとめでも言っていたが、本当の身長や 人種ではなく、歌のジャンルなどの偏りを識別している可能性がある。

予定よりも20分遅く昼食。サンドイッチ、ポテトチップ、りんごのランチボックス。いかにもアメリカン。


食べ終わってポスターセッション。効く時間が1時間しかない。会場は混雑していて、狙ったポスターがなかなか聞けない。


○Music, Retrieval, Similarity, Recommendation, and Fingerprinting （聞いたものだけ）

A Perplexity Based Cover Song Matching System for Short Length Queries
コード進行に基づくカバーソングの検出。クロマベクトルみたいな方法（クロマを3次元トーラス上の一点として表現する）によって250msフレームでの コードを認識し、そのコード連鎖のn-gramを曲のモデルとする。クエリが来たときには、各局のn-gramでクエリを評価し、確率が高いものを選ぶ。 6-gramまでつかって検出性能50%ぐらい。

HarmTrace: Improving Similarity Estimation Using Functional Harmony Analysis
2曲のコード進行間の類似度を測る。実現にHaskellを使っているらしい。

Using Mutual Proximity to Improve Content-Based Audio Similarity
音楽推薦をするときに、ある曲を空間内の一点で表現し、その点の周りにある曲を推薦することが多い。しかし、「どの曲からも近い」という曲がある場合があ り（Hub）、それが性能を下げている。これを改善するため、対象性を持つような（点Aの最近傍が点Bのとき、点Bの最近傍が点Aになる）性質を持つ類似 度を設計した。おもしろい。

A Re-ordering Strategy for Accelerating Index-based Audio Fingerprinting
Philipsのフィンガープリントのマッチングを行うときに、あるフィンガープリントのサブプリントからハッシュ探索をするが、サブプリントが当たらな い場合には当たるまで次々に探索をしなければならない。そこで、MP3エンコードなどの改変に強いサブプリントから優先的に探索することで、探索回数を減 らす。具体的には、同じサブプリントが連続している部分の「真ん中」のサブプリントが最も改変に強いことが実験によりわかった。じゃあ具体的にどのぐらい 速くなるの、と聞いてみたのだが、どこまでのサブプリントマッチで打ちきるかは実装依存なので俺は知らんという立場らしい。それはないんじゃないかなあ。

14時から午後のオーラルセッション。

○Non-Western Music
A Multicultural Approach in Music Information Research (U Ponpeu Fabra)
Xavier Serra。ERC (European Research Council)によるCompMusicプロジェクトの紹介。多文化音楽研究をプロモート。さまざまな音楽文化に属する多数のデータを集め、現在の西洋音楽中心の情報処理に挑戦する。

Assessing the Tuning of Sung Indian Classical Music (Joan Serra)
インド音楽について。文献では22音階とか書いてあるが本当なのかどうか調べた。調べた対象はインド音楽の歌唱音声。350曲以上の曲を録音して分析。 ピッチの差のヒストグラムを分析した結果、平均率に近い音階を使っていることがわかった。CarnaticよりHundustani音楽の方がより平均率 に厳密に従っている。

A Computational Investigation of Melodic Contour Stability in Jewish Torah Trope Performance Traditions (Meetens Inst.)
ユダヤ教の教典トーラーの詠唱がテーマ。詠唱のための記述法として、ヘブライ文字でかかれたトーラーに、詠唱の節の記号が書かれている。それらの記号の使 用法と実際の詠唱との間の関係、アシュケナージとスファラディの詠唱の違いなどを計算機科学的に取り扱う。詠唱と気泡の対応をつけるためのインタフェー ス。2つのピッチ系列に対する類似度の定義。分析の結果、アシュケナージの詠唱のピッチはスファラディよりも安定であることなどがわかった。

Tarsos - a Platform to Explore Pitch Scales in Non-Western and Western Music (U College Ghent)
数千曲のアフリカ音楽の分析を行うためにソフトウェアを開発した。前処理、ピッチ抽出、ピッチヒストグラムの生成などを行う。抽出した音階をMIDIキーボードに割り当てるなど。

この後、コーヒーブレイクもなしにポスターに突入。またもや混んでいてなかなか聞けない。

○Music Content Analysis and Transcription; Studies on Non-Western Music（聞いたものだけ）

A Two-Fold Dynamic Programming Approach to Beat Tracking for Audio Music with Time-varying Tempo (National Tsing Hua U)
時間的にテンポが変わる音楽のテンポ推定。テンポがじわじわ変わるのを対象にするのかと思ったら、例では突然テンポが2倍になる例が出ていた。ビート位置 を表す1次元特徴を抽出し、それをフーリエ変換してビートのスペクトログラムを作る。そのピークをDPでつないでトラッキング。連続性の制約でテンポ変更 のしやすさをコントロールする。標準的な手法に見えるが、新しいんだろうか。

Tempo Estimation Based on Linear Prediction and Perceptual Modeling
入力をガンマチャープフィルタバンクでサブバンドに分け、それを線形予測した残差からビートを検出し、それをもとにテンポを推定する。それだけだと曖昧性 があるので、人間のテンポ推定特性をかけてどのテンポがそれらしいかを決める。要するに人間はテンポを100bpm近くに判断しやすいので、そちらに重み をかけるという話だと思う。

A Transient Detection Algorithm for Audio Using Iterative Analysis of STFT
音楽信号を「調波成分」「ビート成分」「遷移成分」に分け、遷移成分を抽出するのが目的。

Score-Informed Voice Sepration for Piano Recordings
スコアを使って、ピアノ演奏の混合信号から右手の演奏音と左手の演奏音を分ける。スコアから楽譜上のパートと演奏音の成分を対応づけるやり方は従来手法。簡単に右手・左手の成分が聞けるようなインタフェースを開発した。

The Temperament Police: Thr Truth, the Ground Truth and Nothing but the Truth
音楽信号から調律（平均律、純正律など）を推定する方法がすでにあるが、それを使って既存のデータベースの注釈が本当かどうか調べた。その結果、音楽信号と注釈が合っていない場合が結構あることがわかった。

ポスター終了後は最後のオーラルセッションなのだが、OMRがメインでちょっと関連が薄いので、部屋に戻って仕事をする。

18時から最上階でレセプションとコンサート。Starlight Ballroomという部屋で、天井に豆電球がたくさんついている。


レセプションは野菜、ハム、ちょっとした食べ物ぐらい。飲み物はワンドリンクで、2杯目から有料。


19時からコンサート。今回はコンサートも参加者からの投稿による。録音のプレイバック、室内楽、ピアノなど取り混ぜている。

内容はいわゆる現代音楽的な 何か（本当の「現代音楽」と言えるのかどうかはわからない）。嫌いじゃないのだが、時差のせいか非常に眠かった。20時終了。

余りに眠いので、終了後に部屋に戻り、シャワーを浴びた後9時過ぎに寝てしまった。
前の日へ　 目次へ 　次の日へ