ARIA：音乐训练数据归因的诊断框架

用于音乐生成的训练数据归因（TDA）必须回答版权分析所需的两个问题，即哪些训练歌曲影响生成的输出以及影响沿着哪些音乐方面发挥作用。现有方法将影响减少到单个标量，但没有揭示哪些音乐方面在该影响中占主导地位。我们提出了 ARIA，这是一个框架，可以沿音乐方面分解归因（五个用于象征音乐，三个用于音频），并将分解与根据分段级分数矩阵计算的可靠性诊断配对。它根据从训练池中抽取的随机参考组来测量前 K 个属性曲目之间的组内相似性，并通过其奇异值分解和列统计来诊断分数矩阵。在可通过反事实再训练获得归因 真值 的符号音乐模型上，可靠性诊断对四种归因方法的排名与 真值 相同。在音频音乐生成模型上，ARIA 揭示了不同 TDA 方法之间差异很大的归因行为，标记其检索到的曲目在查询中几乎相同的得分矩阵，而不是反映每个查询的归因，并通过每个编码器表面的音乐方面来表征嵌入相似性检索基线。 ARIA 共同生成与版权分析中思想表达区别下考虑的音乐方面相一致的每方面归因证据。