PDMX: Um Conjunto de Dados MusicXML de Domínio Público em Grande Escala para Processamento 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

Resumo

A recente explosão de sistemas de IA generativa de música levantou inúmeras preocupações sobre direitos autorais de dados, licenciamento de músicas de músicos e o conflito entre IA de código aberto e grandes empresas de prestígio. Tais questões destacam a necessidade de dados musicais de domínio público, livres de direitos autorais e disponíveis publicamente, onde há uma grande escassez, especialmente para dados de música simbólica. Para amenizar esse problema, apresentamos o PDMX: um conjunto de dados de código aberto em larga escala com mais de 250 mil partituras MusicXML de domínio público coletadas do fórum de compartilhamento de partituras MuseScore, tornando-o o maior conjunto de dados de música simbólica livre de direitos autorais disponível, até onde sabemos. O PDMX também inclui uma riqueza de metadados de tags e interações de usuários, permitindo-nos analisar eficientemente o conjunto de dados e filtrar partituras geradas por usuários de alta qualidade. Dado os metadados adicionais proporcionados pelo nosso processo de coleta de dados, conduzimos experimentos de geração de música multifaixa avaliando como diferentes subconjuntos representativos do PDMX levam a comportamentos diferentes em modelos subsequentes, e como estatísticas de avaliação de usuários podem ser usadas como uma medida eficaz de qualidade de dados. Exemplos podem ser encontrados em 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/.