PDMX : Un ensemble de données MusicXML du domaine public à grande échelle pour le traitement de la musique symbolique

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

September 17, 2024

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

cs.AI

Résumé

L'explosion récente des systèmes de génération de musique par IA a soulevé de nombreuses préoccupations concernant les droits d'auteur des données, l'octroi de licences pour la musique des musiciens et le conflit entre l'IA en open source et les grandes entreprises prestigieuses. Ces problèmes soulignent le besoin de données musicales disponibles publiquement et libres de droits, pour lesquelles il existe une grande pénurie, en particulier pour les données musicales symboliques. Pour remédier à ce problème, nous présentons PDMX : un ensemble de données open source à grande échelle de plus de 250 000 partitions MusicXML du domaine public collectées sur le forum de partage de partitions MuseScore, ce qui en fait, à notre connaissance, le plus grand ensemble de données musicales symboliques libres de droits disponible. PDMX comprend également une grande quantité de métadonnées de balises et d'interactions utilisateur, nous permettant d'analyser efficacement l'ensemble de données et de filtrer les partitions générées par les utilisateurs de haute qualité. Grâce aux métadonnées supplémentaires fournies par notre processus de collecte de données, nous menons des expériences de génération de musique multicanal pour évaluer comment différents sous-ensembles représentatifs de PDMX entraînent des comportements différents dans les modèles ultérieurs, et comment les statistiques de notation des utilisateurs peuvent être utilisées comme mesure efficace de la qualité des données. Des exemples peuvent être trouvés sur 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/.