Offres de stage, de thĂšses et d’emploi

PhD positions, 2021-24

Stages de recherche 2021 en informatique musicale




Stages de recherche 2021 en informatique musicale


Stage de recherche (M1 ou M2) : Trouver les notes musicales influentes Ă  l’aide des rĂ©seaux de neurones Transformers

Contexte

Les techniques modernes en apprentissage automatique, notamment autour des rĂ©seaux de neurones, suscitent de nombreuses recherches dans les domaines de la modĂ©lisation du langage naturel (Natural Language Processing) d’une part et de l’informatique musicale (Music Information Research) d’autre part. Ces recherches ont de multiples applications allant de l’analyse de corpus textuels/musicaux Ă  la gĂ©nĂ©ration automatique de texte/musique.

Parmi les multiples types de rĂ©seaux de neurones utilisĂ©s dans ces disciplines, les transformers [1] ont fourni des rĂ©sultats prometteurs en modĂ©lisation du langage, par exemple pour la conception de systĂšmes de questions-rĂ©ponses [2]. Ils ont Ă©tĂ© par la suite adaptĂ© en MIR pour la gĂ©nĂ©ration automatique de musique [3]. Le fonctionnement des transformers repose sur le principe d’attention, qui incite un modĂšle, lors de son entraĂźnement, Ă  comparer l’“importance” des termes successifs dans une sĂ©quence. Dans une phrase textuelle, comme dans une phrase musicale, la prĂ©sence de certains Ă©lĂ©ments a en effet plus de poids que d’autres pour le sens global de la phrase. C’est le cas de la nĂ©gation en texte (le simple mot “pas” inverse Ă  lui seul le sens de la phrase). C’est aussi le cas en musique tonale des notes fondamentales et rĂ©elles des accords qui sont le signe de progressions harmoniques sous-jacentes, ou encore Ă  une Ă©chelle plus fine des notes modulantes qui annoncent une transition vers une nouvelle tonalitĂ©.

Objectifs

MalgrĂ© leur performance, les rĂ©seaux de neurones profonds sont souvent critiquĂ©s pour leur opacitĂ© qui complique l’identification des abstractions qu’a re-constituĂ© le modĂšle au cours de son entraĂźnement et qui lui permettent de prendre des dĂ©cisions correctes. Ce projet exploratoire a pour but d’étudier le fonctionnement d’un Transformer entraĂźnĂ© sur des corpus de musique de diffĂ©rents styles. L’idĂ©e est d’analyser les reprĂ©sentations internes au modĂšle, afin d’extraire les Ă©lĂ©ments du langage musical sur lesquels a tendance Ă  se focaliser le mĂ©canisme d’attention et de les comparer avec des rĂšgles issues de la thĂ©orie musicale. Il s’agira pour cela d’analyser les poids des matrices des unitĂ©s d’attention qu’a appris le modĂšle afin d’identifier les Ă©lĂ©ments musicaux (gĂ©nĂ©ralement des notes) qui ont le plus d’influence sur les autres au sein d’une sĂ©quence.

Des premiĂšres expĂ©riences seront menĂ©s sur les modĂšles prĂ©-entrainĂ©s mis Ă  disposition par le projet Magenta. On gĂ©nĂ©ralisera l’expĂ©rience dans un second temps sur des modĂšles entrainĂ©s sur diffĂ©rents corpus auquel l’équipe Algomus a accĂšs notamment les quatuors Ă  cordes classiques (Haydn, Mozart et Beethoven), des piĂšces pour piano seul et des tablatures pour guitare dans le style pop/rock.

Profil recherché

Master d’informatique, avec compĂ©tences en IA/science des donnĂ©es. Connaissances et pratique musicales souhaitĂ©es, idĂ©alement avec des connaissances en harmonie et/ou en analyse.

Débouchés

Des opportunitĂ©s de poursuite en thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l’Ă©tranger. L’Ă©quipe est Ă©galement en contact avec des entreprises travaillant sur des sujets connexes.

Références

  • [1] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Ɓukasz Kaiser, and Illia Polosukhin. Attention is all you need. In Advances in neural information processing systems, pages 5998–6008, 2017.
  • [2] Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. Bert : Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv :1810.04805, 2018.
  • [3] Cheng-Zhi Anna Huang, Ashish Vaswani, Jakob Uszkoreit, Ian Simon, Curtis Hawthorne, Noam Shazeer, Andrew M Dai, Matthew D Hoffman, Monica Dinculescu, and Douglas Eck. Music transformer : Generating music with long-term structure. In International Conference on Learning Representations, 2018.

Stage de recherche (M1) : Vers l’indexation de motifs mĂ©lodiques et harmoniques

L’Ă©quipe d’informatique musicale Algomus, du laboratoire CRIStAL (UMR CNRS 9189, UniversitĂ© de Lille), s’intĂ©resse Ă  l’analyse informatique de partitions musicales. L’Ă©quipe TIBS (LITIS, UniversitĂ© de Rouen) travaille en bioinformatique, et plus gĂ©nĂ©ralement est spĂ©cialiste d’algorithmique du texte et de structures d’indexation.

Contexte

La musique est faite de rĂ©pĂ©titions et de contrastes. Les “motifs musicaux” sont trĂšs prĂ©sents dans de nombreux styles de musique occidentale tonale (baroque, classique, romantique, jazz, pop…).

Un motif peut ĂȘtre vu comme une mĂ©lodie (suite de notes), mais de meilleures modĂ©lisations relient le motif aux harmonies sous-jacentes [Lerdhal 1988, Jansen 2013]. Aujourd’hui, des mĂ©thodes basĂ©es sur l’apprentissage permettent d’apprendre ce qu’est un motif musical. Ces mĂ©thodes ne permettent cependant pas de faire des requĂȘtes rapides comparant un motif avec des corpus de potentiellement des millions de donnĂ©es. Des heuristiques Ă  base de graines ont dĂ©jĂ  Ă©tĂ© proposĂ©es pour des requĂȘtes simplifĂ©es [Martin 2012]. Du cĂŽtĂ© de l’algorithmique du texte, ces vingt derniĂšres annĂ©es ont vu l’Ă©mergence de nombreux modĂšles pour indexer et rechercher efficacement des sĂ©quences symboliques, y compris approchĂ©es, notamment par des structures Ă  base de transformĂ©e de Burrows-Wheeler (BWT) [Adjeroh 2008].

Objectifs

Le but de ce stage est de concevoir, implĂ©menter et tester une structure d’indexation adaptĂ©e aux motifs musicaux dans des partitions symboliques. AprĂšs une phase de bibliographie sur l’indexation et sur les motifs musicaux, le stagiaire pourra par exemple chercher Ă  adapter la BWT pour rechercher des motifs dĂ©crits Ă  la fois par la mĂ©lodie et l’harmonie. On veillera Ă  la complexitĂ© en temps et en mĂ©moire des solutions proposĂ©es, et on cherchera idĂ©alement Ă  permettre des recherches approchĂ©es dans des temps compatibles avec une utilisation rĂ©elle.

Les algorithmes d’indexation et de recherche de motifs proposĂ©s seront implĂ©mentĂ©s et testĂ©s sur un corpus musical qui sera Ă  dĂ©finir, que ce soit en musique baroque/classique/romantique ou en musique jazz ou pop, et les rĂ©sultats seront discutĂ©s avec des musiciens avec qui l’Ă©quipe collabore.

Profil recherché

Master d’informatique thĂ©orique, algorithmique, complexitĂ©, structures d’indexation. Connaissances et pratique musicales souhaitĂ©es, idĂ©alement avec des connaissances en harmonie et/ou en analyse.

Débouchés

Des opportunitĂ©s de poursuite en thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets connexes en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l’Ă©tranger. L’Ă©quipe est Ă©galement en contact avec des entreprises travaillant sur des sujets connexes.

Références

Anciennes offres


Stage de recherche (M1/M2) : ModĂšles pour l’analyse de l’Ă©criture symphonique

L’Ă©quipe d’informatique musicale Algomus, du laboratoire CRIStAL (UMR CNRS 9189, UniversitĂ© de Lille), en collaboration avec le MIS (UPJV, Amiens) s’intĂ©resse Ă  l’analyse informatique de partitions musicales.

Contexte

L’orchestration est l’art d’Ă©crire de la musique pour un ensemble d’instruments. Elle va bien plus loin qu’une instrumentation qui serait une simple rĂ©partition des voix. Que ce soit dans les musiques dites classiques ou dans d’autres rĂ©pertoires comme dans la musique de film, l’orchestration se nourrit des possibilitĂ©s musicales de chaque instrument, de celles de leur pupitre, et du “son” de l’orchestre tout entier [1]. L’Ă©criture de contrastes orchestraux porte Ă  la fois sur les instruments utilisĂ©s et sur ce qu’ils jouent chacun.

En informatique musicale, des travaux de ces derniĂšres annĂ©es ont proposĂ© des pistes vers l’orchestration automatique [3] et la reconstruction de spectres audio, mais aucun ne s’est attachĂ© aux caractĂ©ristiques de cette Ă©criture. Informatiquement (et musicalement), les dĂ©fis de l’analyse et de la gĂ©nĂ©ration de l’Ă©criture orchestrale viennent de la richesse des combinaisons instrumentales possibles, demandant, pour modĂ©liser cette Ă©criture, des connaissances ou des corpus consĂ©quents. Peut-on envisager des nouveaux outils favorisant la co-crĂ©ativitĂ© du musicien et de la machine, et mĂȘme du mĂ©lomane, lorsqu’ils Ă©coutent, analysent ou composent de la musique symphonique ?

Objectifs

Ce stage explorera des premiĂšres pistes pour l’analyse systĂ©matique de partitions orchestrales avec des mĂ©thodes informatiques issues de l’apprentissage machine. Le but est d’illustrer et de complĂ©menter les connaissances sur l’orchestration et sur son lien Ă  l’harmonie tonale et Ă  la forme et de concevoir Ă  des outils pour l’analyse et la co-crĂ©ation de musique orchestrale.

ConcrĂštement, la·le stagiaire Ă©tudiera une bibliographie sur l’orchestration, l’informatique musicale et les modĂšles d’apprentissage profonds pour la musique, notamment autour des auto-encodeurs et des espaces latents [2,4]. Elle·il s’attaquera aux points suivants:

  • Identifier et enrichir un corpus de partitions orchestrales tonales, qu’elles soient classiques, (post-)romantiques ou contemporaines;

  • ModĂ©liser finement l’annotation et l’analyse de l’Ă©criture orchestrale tonale, en Ă©tendant les reprĂ©sentations informatiques de l’harmonie, de la texture [5] et en modĂ©lisant l’orchestration suivant la forme;

  • Concevoir, implĂ©menter et Ă©valuer un modĂšle de l’Ă©criture orchestrale, possiblement basĂ© sur des auto-encodeurs

Profil recherché

Master d’informatique, avec compĂ©tences en IA/science des donnĂ©es. Pratique musicale et compĂ©tences en thĂ©orie musicale fortement souhaitĂ©es (analyse, harmonie et idĂ©alement orchestration).

Débouchés

Des opportunitĂ©s de poursuite en thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l’Ă©tranger. Ce stage pourrait ainsi ĂȘtre le prĂ©lude d’une thĂšse sur l’analyse de l’orchestration ainsi que sur la co-crĂ©ation de musique symphonique, en collaboration avec des thĂ©oriciens de la musique, des compositeurs actuels, notamment de musique pour l’image, et/ou des classes d’orchestration. L’Ă©quipe est Ă©galement en contact avec des entreprises travaillant sur des sujets connexes.

Références


Stage de recherche (M2) : Modélisation de techniques de jeu dans les tablatures de guitare

Contexte

Ce stage s’inscrit dans le cadre d’une collaboration entre l’équipe Algomus (UniversitĂ© de Lille, CRIStAL) et la sociĂ©tĂ© Arobas Music. L’équipe d’informatique musicale Algomus s’intĂ©resse Ă  l’analyse informatique de partitions musicales. La sociĂ©tĂ© lilloise Arobas Music dĂ©veloppe le logiciel Guitar Pro dĂ©diĂ© Ă  la saisie et Ă  la consultation de tablatures de guitare, et plus gĂ©nĂ©ralement de partitions musicales. Plus de 10 millions de musiciens l’utilisent rĂ©guliĂšrement pour l’apprentissage, la transcription ou la composition. La sociĂ©tĂ© s’intĂ©resse Ă  l’ajout de nouvelles fonctionnalitĂ©s pour assister de maniĂšre intelligente le processus d’écriture et de composition de l’utilisateur. Arobas Music produit Ă©galement la base de donnĂ©es mySongBook rĂ©unissant plus de 2000 tablatures de haute qualitĂ©.

Objectifs

Outre les informations de position sur le manche, les tablatures de guitare se distinguent des partitions traditionnelles de par la prĂ©sence d’annotations de mode de jeu spĂ©cifiques Ă  la guitare. Les plus populaires de ces effets sont les notes tirĂ©es (ou bends), les hammer on / pull off, les notes glissĂ©es (slides), les notes Ă©touffĂ©es (Palm Mute), les cordes laissĂ©es en rĂ©sonance (let ring). Ce modes de jeu augmentent l’expressivitĂ© d’une performance et contribuent Ă  affirmer le style musical associĂ© Ă  la tablature. Leur apparition est souvent liĂ©e aux contextes mĂ©lodiques, harmoniques et rythmiques. Par exemple, les notes tirĂ©es (bends) semblent apparaĂźtre plus frĂ©quemment lors d’un changement de contour mĂ©lodique (comme quand la mĂ©lodie se met Ă  descendre alors qu’elle montait depuis plusieurs notes). Toutefois aucune Ă©tude systĂ©matique n’a Ă  ce jour Ă©tĂ© menĂ©e dans ce domaine.

De par sa taille et sa variĂ©tĂ©, le corpus mySongBook permet une Ă©tude approfondie de ces modes de jeu et de leur lien avec le contexte musical Ă  travers diffĂ©rents styles. PrĂ©dire les modes de jeux peut Ă  la fois amĂ©liorer la comprĂ©hension de ces effets ainsi que l’aide Ă  la composition de tablatures.

Ce stage vise Ă  Ă©laborer des modĂšles capables de prĂ©dire l’occurrence de modes de jeux dans les tablatures de guitare Ă  l’aide de mĂ©thodes issues de l’apprentissage automatique. La·le stagiaire Ă©valuera pour cela diffĂ©rents types de modĂšles, notamment dans la familles des rĂ©seaux de neurones rĂ©currents et des Transformers. Une attention particuliĂšre sera portĂ©e sur la reprĂ©sentation des donnĂ©es et l’identification de descripteurs pertinents (feature engineering) pour la prĂ©diction.

Profil recherché

Master d’informatique, avec compĂ©tences en IA/science des donnĂ©es. Connaissances et pratique musicales souhaitĂ©es, idĂ©alement pratique de la guitare avec des connaissances en harmonie et/ou en analyse.

Débouchés

Des opportunitĂ©s de poursuite en thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l’Ă©tranger.

Références

  • Cournut, J., Bigo, L., Giraud, M., & Martin, N. (2020). Encodages de tablatures pour l’analyse de musique pour guitare. In JournĂ©es d’Informatique Musicale, 2020.
  • McVicar, Matt, Satoru Fukayama, and Masataka Goto. “AutoGuitarTab: Computer-aided composition of rhythm and lead guitar parts in the tablature space.” IEEE/ACM Transactions on Audio, Speech, and Language Processing 23.7 : 1105-1117, 2015.
  • Chen, Yu-Hua, et al. “Automatic Composition of Guitar Tabs by Transformers and Groove Modeling.” International Society of Music Information Retrieval, 2020.

Stage de recherche (M2) : Modélisation de la texture pianistique

Contexte

La majoritĂ© des approches pour la modĂ©lisation informatique de partitions musicales, basĂ©es sur des rĂšgles ou des mĂ©thodes d’apprentissage, considĂšrent des donnĂ©es atomiques tels que les notes et les symboles d’accord comme Ă©lĂ©ments constituants. À plus haut niveau, la musique peut se caractĂ©riser par sa « texture » : les solos, accompagnements, homorythmies, imitations, etc. sont des procĂ©dĂ©s texturaux auxquels le compositeur a recours lors de l’Ă©criture d’une piĂšce. La combinaison des voix, et leur complĂ©mentaritĂ© induite par ces diffĂ©rentes textures, jouent un grand rĂŽle dans notre perception de la musique. Des Ă©tudes prĂ©cĂ©dentes ont formellement modĂ©lisĂ© la texture pour quatuor Ă  cordes.

Objectifs

Ce stage vise Ă  Ă©laborer des outils pour l’analyse de la texture dans des rĂ©pertoires de musique pour piano seul. L’analyse de la texture d’une partition comprend deux Ă©tapes que sont la recherche des Ă©lĂ©ments texturaux prĂ©pondĂ©rants sans connaissance Ă  priori, puis leur dĂ©tection au cours de la piĂšce.

Une premiĂšre partie du travail consistera en une rĂ©flexion sur le principe de texture dans un rĂ©pertoire pour piano ainsi que sa modĂ©lisation, en s’appuyant sur les travaux en sĂ©paration de voix et en dĂ©couverte non supervisĂ©e de motifs. Cette partie du travail pourra s’effectuer en collaboration avec des musicologues avec lesquels l’Ă©quipe Algomus est en lien. Elle aura pour but de constituer une typologie texturale reprĂ©sentative du rĂ©pertoire choisi et pourra comprendre une phase d’annotation manuelle en vue de l’application d’algorithmes d’apprentissage. Dans un second temps, le travail consistera Ă  Ă©laborer des mĂ©thodes pour la dĂ©tection d’Ă©lĂ©ments texturaux conformĂ©ment Ă  la typologie proposĂ©e, en concevant, adaptant et Ă©valuant des algorithmes d’apprentissage supervisĂ©.

Profil recherché

Master d’informatique, avec compĂ©tences en IA/science des donnĂ©es. Connaissances et pratique musicales souhaitĂ©es, idĂ©alement pratique du piano avec des connaissances en harmonie et/ou en analyse.

Débouchés

Des opportunitĂ©s de poursuite en thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l’Ă©tranger. L’Ă©quipe est Ă©galement en contact avec des entreprises travaillant sur des sujets connexes.

Références

  • M. Giraud, F. LevĂ© et al., Towards Modeling Texture in Symbolic Data, ISMIR 2014
  • F. LevĂ©, M. RigaudiĂšre, F. DoĂ©, Vers une analyse informatique des textures dans le quatuor classique, EuroMAC 2017
  • M.A. Trimmer, Texture and Sonata Form in the late string chamber music of Haydn and Mozart, PhD diss, 1981

Post-doctoral position, 2021-22


Postdoctoral position, 2021-2022 – Computer music analysis and machine learning

Algomus – Algorithmic Musicology – is a research team in Digital Humanities, supported by the CRIStAL computer science lab (CNRS, UniversitĂ© Lille), and with strong links with UPJV and UniversitĂ© de Rouen. Our research is in Musical Information Retrieval (MIR), more precisely in Computational Music Analysis. Collaborating with music theorists, we focus on symbolic scores of tonal music – such as in baroque, classical, romantic, jazz, pop, and dance repertoires.

We aim at modeling, analyzing, visualizing [a], and generating music, for music theorists, musicians, music teachers, music lovers, and everyone. We combine musicological knowledge and computer science methods in text algorithmics, data mining, and machine learning. We are interested in designing explainable algorithmic and AI methods, trying to model what makes music and providing people with tools to help them to understand music.

Open postdoctoral position

The Algomus team is seeking to recruit a 12-months post-doc position on Music Information Retrieval in the CRIStAL lab (Lille, France), starting in April or May 2021. The candidate should have defended a PhD in MIR (or have a PhD defense scheduled in the next months), preferably working on symbolic scores and with some background both in AI and in musicology. We particularly welcome applications from women and under-represented groups in music and computer science research.

Throughout the last years, the Algomus team worked on high-level structures such as fugue [1] and sonata form [2], using and improving common MIR and AI techniques on harmony and tonality [3, 4], but also on melodic patterns, texture, and polyphony. The team works in computational musical analysis but also on music co-creativity [b], on corpora [c] such as string quartets, keyboard music, and nowadays orchestral scores and jazz/pop guitar tablatures.

Candidates are welcome to propose a research project in the spirit of the team, typically associated with a musical corpus, in which they feel strongly interested.

References