PDMX: Un conjunto de datos MusicXML de dominio público a gran escala para el procesamiento de música simbólica.

PDMX: A Large-Scale Public Domain MusicXML Dataset for Symbolic Music Processing

September 17, 2024

Autores: Phillip Long, Zachary Novack, Taylor Berg-Kirkpatrick, Julian McAuley

cs.AI

Resumen

La reciente explosión de sistemas de IA generativa de música ha suscitado numerosas preocupaciones sobre los derechos de autor de los datos, la licencia de música de músicos y el conflicto entre la IA de código abierto y las grandes empresas de prestigio. Estas cuestiones resaltan la necesidad de datos musicales públicamente disponibles y libres de derechos de autor, de los cuales hay una gran escasez, especialmente para datos musicales simbólicos. Para aliviar este problema, presentamos PDMX: un conjunto de datos de código abierto a gran escala con más de 250 000 partituras MusicXML de dominio público recopiladas del foro de intercambio de partituras MuseScore, convirtiéndolo en el conjunto de datos de música simbólica libre de derechos de autor más grande disponible que conocemos. PDMX también incluye una gran cantidad de metadatos de etiquetas e interacción de usuarios, lo que nos permite analizar eficientemente el conjunto de datos y filtrar partituras generadas por usuarios de alta calidad. Dado el metadato adicional proporcionado por nuestro proceso de recopilación de datos, llevamos a cabo experimentos de generación de música multicanal evaluando cómo diferentes subconjuntos representativos de PDMX conducen a diferentes comportamientos en modelos posteriores, y cómo las estadísticas de calificación de usuarios pueden utilizarse como medida efectiva de la calidad de los datos. Se pueden encontrar ejemplos en https://pnlong.github.io/PDMX.demo/.

English

The recent explosion of generative AI-Music systems has raised numerous concerns over data copyright, licensing music from musicians, and the conflict between open-source AI and large prestige companies. Such issues highlight the need for publicly available, copyright-free musical data, in which there is a large shortage, particularly for symbolic music data. To alleviate this issue, we present PDMX: a large-scale open-source dataset of over 250K public domain MusicXML scores collected from the score-sharing forum MuseScore, making it the largest available copyright-free symbolic music dataset to our knowledge. PDMX additionally includes a wealth of both tag and user interaction metadata, allowing us to efficiently analyze the dataset and filter for high quality user-generated scores. Given the additional metadata afforded by our data collection process, we conduct multitrack music generation experiments evaluating how different representative subsets of PDMX lead to different behaviors in downstream models, and how user-rating statistics can be used as an effective measure of data quality. Examples can be found at https://pnlong.github.io/PDMX.demo/.