...And Justice for All Tags: lidando com desbalanceamento de classes em rotulação automática de músicas utilizando embeddings

• Processo: 22/10969-8
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 05 de novembro de 2022
• Data de Término da vigência: 04 de fevereiro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Vitor Diniz de Oliveira Cunha
• Supervisor: Xavier Serra
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Instituição Anfitriã: Universitat Pompeu Fabra (UPF), Espanha
• Vinculado à bolsa: 21/15221-9 - Estudo de técnicas de auto-tagging para dados musicais específicos de domínio e considerando o problema de cauda longa, BP.IC
• Assunto(s): Aprendizado computacional Aprendizagem profunda Gravação de som Música Recuperação da informação
• Palavra(s)-Chave do Pesquisador: Imbalanced Data | machine learning | Multilabel Classification | Machine Learning

Resumo

A rotulação automática de músicas é uma forma significativa de caracterizar as gravações, com implicações na organização e recuperação de informações musicais. Os modelos de auto-tagging mais populares são baseados em deep learning. Entretanto, estas técnicas precisam de um grande volume de dados para induzir um bom modelo. Além disso, estes modelos podem ter um desempenho inferior em tags menos representadas. Embora existam técnicas para reduzir este problema durante a fase de treinamento, elas podem aumentar o volume de dados e tornar a fase de treinamento ainda mais dispendiosa. Por outro lado, a literatura é abundante em algoritmos para lidar com o desequilíbrio de classe no domínio dos dados tabulares. Neste trabalho, propomos aplicar estas técnicas aos dados musicais transformados por modelos de rotulação automática pré-treinados e avaliar como eles impactam o desempenho da previsão das tags menos representadas. (AU)