음악 예측을 위한 PULSE 기반 모델 학습

본 논문은 음악 인지와 알고리즘 작곡 분야에서 핵심적인 과제인 단음 멜로디 예측을 위해, 최근 제안된 PULSE(Periodical Uncovering of Local Structure Extensions) 알고리즘을 최초로 적용한다. PULSE는 특징 생성 연산(N⁺ 연산)과 L1 정규화된 확률적 경사 하강법을 교대로 수행함으로써, 전통적인 특징 선택 방법으로는 탐색이 어려운 방대한 특징 공간을 효율적으로 탐색한다. 먼저 저자는 PULSE를 일반화한 파이썬 프레임워크인 PyPulse를 설계·구현한다. PyPulse는 데이터 전처리, 특징 행렬 구축, CRF 기반 모델 학습, 최적화기 관리, 수렴 판단 등 전체 파이프라인을 모듈화한다. 특히 L1 정규화와 AdaGrad·AdaDelta 기반 최적화기의 변형을 통해 학습 속도와 메모리 효율을 크게 개선하였다. 음악적 특성을 반영하기 위해 저자는 세 가지 주요 특징 유형을 정의한다. ① 시점(viewpoint) 특징: 피치, 인터벌, 리듬, 음량 등 다양한 관점에서 현재 음표를 기술한다. ② 앵커(anchor) 특징: 곡의 첫음, 마지막음, 강박음 등 특정 기준음과 현재 음표 사이의 관계를 포착한다. ③ 연결(linked) 특징: 두 개 이상의 시점 특징을 시간적으로 연결해 장기 의존성을 모델링한다. 이러한 특징은 N⁺ 연산을 통해 기존 특징을 조합하거나 시간적 변형(예: 앞/뒤 1~3음)으로 새로운 후보를 생성한다. 학습은 조건부 랜덤 필드(CRF) 모델 위에서 진행된다. CRF는 각 시점의 조건부 확률을 직접 모델링하므로, 멜로디 예측 문제를 확률적 시퀀스 예측으로 자연스럽게 전환한다. L1 정규화는 가중치 벡터의 L1 노름을 최소화함으로써 불필요한 특징을 자동으로 제거하고, 최종 모델이 소수의 의미 있는 특징만을 보유하도록 만든다. 이는 모델 해석성을 크게 높인다. 실험 데이터는 서양 민요와 바흐 합창곡을 포함한 표준 단음 멜로디 코퍼스이며, 총 10,000여 개의 멜로디 조각을 사용한다. 평가 지표는 평균 로그우도, 크로스 엔트로피, 그리고 음악 심리학 연구에서 사용되는 기대도(expectancy) 지표를 포함한다. 교차 검증을 통해 모델의 일반화 성능을 검증했으며, 하이퍼파라미터 탐색에는 Gaussian Process 기반 베이지안 최적화를 적용했다. 비교 대상은 기존의 n‑gram(5‑gram, 7‑gram), 다중 관점 시스템(MVS), 신경망 기반 모델(FNN, RNN, RBM) 등이다. 결과는 장기 모델(LTM), 단기 모델(STM), 그리고 이들의 혼합(LTM+STM, LTM+LTM) 모두가 기존 모델보다 10~15% 높은 예측 정확도를 보였으며, 특히 LTM은 멜로디의 구조적 반복과 구절 경계 인식을 잘 수행했다. 학습된 특징을 음악학적으로 분석한 결과, 많은 특징이 전통적인 음악 이론과 일치한다. 예를 들어, ‘피치 시점 + 5도 인터벌’은 조성 관계를, ‘첫음과 현재 음의 거리’는 구절 구조를, ‘연결된 3음 패턴’은 동기화된 모티프를 설명한다. 이러한 해석 가능성은 기존 블랙박스 모델과 차별화되는 강점이다. 또한, 모델을 이용해 생성한 멜로디 샘플은 인간 청취자 실험에서 높은 자연스러움 점수를 받았으며, 이는 모델이 단순 통계적 패턴을 넘어 음악적 의미를 내포하고 있음을 시사한다. 논문의 주요 기여는 다음과 같다. (1) PULSE 알고리즘을 음악 예측에 성공적으로 적용해 비마코프적 시계열 데이터에 대한 확장성을 입증하였다. (2) PyPulse라는 범용 파이썬 프레임워크를 개발해 연구자들이 손쉽게 특징 생성·학습·해석을 수행할 수 있게 했다. (3) 음악 이론에 기반한 다양한 특징을 설계·평가함으로써, 기존 모델 대비 높은 예측 성능과 해석 가능성을 동시에 달성하였다. (4) 학습된 모델을 음악 심리학 실험과 연결해 인간 기대와 감정 반응을 설명하는 데 활용 가능함을 보였다. 향후 연구 방향으로는 다중 음성(polyphonic) 음악, 화성 진행 예측, 실시간 인터랙티브 작곡 시스템, 그리고 다른 비마코프적 시계열 분야(예: 언어, 행동 데이터)로의 확장이 제시된다. 또한, 특징 생성 연산을 더 풍부하게 설계하거나, 딥러닝 기반 CRF와 결합해 성능을 더욱 향상시킬 여지도 있다.