PDMX: Un'ampia raccolta di dati MusicXML di pubblico dominio per l'elaborazione della musica simbolica

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

September 17, 2024

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

cs.AI

Abstract

L'esplosione recente dei sistemi generativi di AI-Music ha sollevato numerose preoccupazioni riguardo ai diritti d'autore dei dati, al rilascio di licenze musicali da parte dei musicisti e al conflitto tra l'AI open-source e le grandi aziende di prestigio. Tali questioni mettono in evidenza la necessità di dati musicali pubblicamente disponibili e privi di copyright, di cui c'è una grande carenza, in particolare per i dati musicali simbolici. Per affrontare questo problema, presentiamo PDMX: un dataset open-source su larga scala di oltre 250.000 partiture MusicXML di pubblico dominio raccolte dal forum di condivisione di partiture MuseScore, che lo rende il dataset di dati musicali simbolici privi di copyright più grande attualmente disponibile a nostra conoscenza. PDMX include inoltre una vasta gamma di metadati relativi a tag e interazioni degli utenti, che ci consentono di analizzare efficientemente il dataset e filtrare le partiture generate dagli utenti di alta qualità. Grazie ai metadati aggiuntivi forniti dal nostro processo di raccolta dati, conduciamo esperimenti di generazione musicale multitraccia valutando come diversi sottoinsiemi rappresentativi di PDMX portino a comportamenti diversi nei modelli successivi e come le statistiche di valutazione degli utenti possano essere utilizzate come misura efficace della qualità dei dati. Esempi sono disponibili su 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/.