Ταξινόμηση αρχείων MIDI με χρήση ετερογενών γράφων και νευρωνικών δικτύων γράφων

Βαμβακάς, Παναγιώτης; Vamvakas, Panagiotis

dc.contributor.author	Βαμβακάς, Παναγιώτης	el
dc.contributor.author	Vamvakas, Panagiotis	en
dc.date.accessioned	2024-01-26T10:03:09Z
dc.date.available	2024-01-26T10:03:09Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58675
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26371
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Ετερογενείς γράφοι	el
dc.subject	Δεδομένα MIDI	el
dc.subject	Νευρωνικά δίκτυα γράφων	el
dc.subject	Ανάκτηση μουσικών πληροφοριών	el
dc.subject	Ταξινόμηση μουσικής	el
dc.subject	Heterogeneous graphs	en
dc.subject	MIDi data	en
dc.subject	Graph neural networks	en
dc.subject	Music Information Retrieval	en
dc.subject	Music classification	en
dc.title	Ταξινόμηση αρχείων MIDI με χρήση ετερογενών γράφων και νευρωνικών δικτύων γράφων	el
dc.title	MIDI classification using heterogeneous graphs and graph neural networks	en
heal.type	bachelorThesis
heal.generalDescription	Ο κώδικας της εργασίας μπορεί να βρεθεί στο Αποθετήριο GitHub: https://github.com/KottonP/midi2vec-master	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-06
heal.abstract	Η παρούσα διατριβή διερευνά την εφαρμογή των Ετερογενών Γράφων και των Νευρωνικών Δικτύων Γράφων (GNN) για την ταξινόμηση αρχείων MIDI, στον τομέα της Ανάκτησης Μουσικής Πληροφορίας (Music Information Retrieval (MIR)). Τα δεδομένα MIDI, τύπος αναπαράστασης μουσικής πληροφορίας, μετατρέπονται σε δομές γράφων ώστε να καταγραφούν περίπλοκες εξαρτήσεις και σημασιολογικές σχέσεις. Αξιοποιώντας τεχνικές βαθιάς μάθησης, βασισμένες σε γράφους, στοχεύουμε στη βελτίωση της ακρίβειας και αποτελεσματικότητας της ταξινόμησης MIDI. Η διατριβή εξετάζει την ιστορία και τις προκλήσεις που συναντόνται στον τομέα του MIR, εστιάζοντας στην ανάλυση MIDI, και διερευνά διάφορες αρχιτεκτονικές GNN προσαρμοσμένες για δεδομένα MIDI. Μέσω των πειραμάτων, και της αξιολόγησης αυτών, αποδεικνύουμε την αποτελεσματικότητα των προτεινόμενων μεθοδολογιών, προσφέροντας ιδέες για την εφαρμογή μοντέλων βασισμένων σε γράφους για εργασίες μουσικής ταξινόμησης. Τα αποτελέσματα αυτής της έρευνας συμβάλλουν στον ευρύτερο τομέα του MIR, ενισχύοντας τις δυνατότητες των αυτοματοποιημένων συστημάτων κατανόησης και σύστασης μουσικής.	el
heal.abstract	This thesis explores the application of Heterogeneous Graphs and Graph Neural Networks (GNNs) for MIDI classification in the field of Music Information Retrieval (MIR). MIDI data, which represent musical notes and timing, are transformed into graph structures in order to capture dependencies and semantic relationships. By leveraging graph-based deep learning techniques, we aim to improve the accuracy and efficiency of MIDI classification. The thesis discusses the history and challenges of MIR, focusing on MIDI analysis, and investigates various GNN architectures tailored for MIDI data. Experimental evaluations demonstrate the effectiveness of the proposed methodologies, offering insights into the application of graph-based models for music classification tasks. The outcomes of this research contribute to the broader field of MIR, enhancing the capabilities of automated music understanding and recommendation systems.	en
heal.advisorName	Symvonis, Antonios	en
heal.advisorName	Stamou, Giorgos	en
heal.committeeMemberName	Symvonis, Antonios	en
heal.committeeMemberName	Stamou, Giorgos	en
heal.committeeMemberName	Voulodimos, Athanasios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	92 σ.	el
heal.fullTextAvailability	false