PHALAR: 학습된 음악 오디오 표현을 위한 위상량 (Phasors)

스텝 리트리벌 (stem retrieval) 은 주어진 오디오 서믹스 (submix) 에 누락된 스텝을 매칭하는 문제로, 현재 시간 정보 (temporal information) 를 버리는 모델에 의해 제한되고 있는 핵심 과제입니다. 우리는 PHALAR 을 소개합니다. PHALAR 은 최첨단 모델 대비 상대적 정확도 증가가 최대 약 70% 로, 파라미터는 50% 미만이며 훈련 속도는 7 배 향상된 대비를 달성하는 대조적 프레임워크 (contrastive framework) 입니다. PHALAR 은 학습된 스펙트럼 풀링 레이어 (Learned Spectral Pooling layer) 와 복소수 값 헤드 (complex-valued head) 를 활용하여 피치 등변량성 (pitch-equivariant) 과 위상 등변량성 (phase-equivariant) 편향을 강제합니다. PHALAR 은 MoisesDB, Slakh, ChocoChorales 에서 새로운 리트리벌 최첨단 성능을 설정하며, 인간 일관성 판단 (human coherence judgment) 과는 의미론적 베이스라인 (semantic baselines) 보다 유의미하게 높은 상관관계를 보입니다. 마지막으로, 제로샷 비트 추적 (zero-shot beat tracking) 과 선형 화음 탐지 (linear chord probing) 는 PHALAR 이 리트리벌 과제 너머에 견고한 음악 구조를 포착함을 확인합니다.