MusicAOG：用于学习与采样符号音乐层次化表示的能量模型

基于摘要分析。MusicAOG 面向人工音乐智能中的可解释性与泛化问题，提出融合显式与隐式音乐信息的符号音乐层次化表示，并以此构建能量模型，用于学习音乐概念与可控音乐生成。其主要研究对象是符号音乐，而非 EEG 或 BCI。 方法以层次化 and-or graph 为表示基础，通过节点与边组织音乐结构、织体、节奏及和声等要素，以覆盖不同音乐传统和不同粒度的信息。学习框架依赖 minimax entropy principle，生成阶段采用经调整的 Metropolis–Hastings 采样，以实现细粒度控制。摘要未给出具体能量函数、约束形式、参数学习流程或采样修改细节，这些机制的实现条件尚未验证。 作者报告，经验评估显示该方法相较现有方法在可解释性和可控性方面有显著改善；但摘要未列出数据集、对照方法、指标、数值及统计检验，因此不能据此判断改善幅度、泛化范围或复现成本。实验协议、消融及统计信息尚未验证，代码与运行条件也需进一步核对。 所给材料未提供该音乐表示与神经信号结构之间的具体对应关系，不据此推断 EEG/BCI 有效性；已有 EEG 相关工作尚未检索确认。