다양한 드럼 리듬으로 보는 음악 장르 자동 분류

초록

본 논문은 음악 데이터베이스의 급증에 대응해 리듬 기반 특징을 복합 네트워크 형태로 변환하고, 마코프 모델을 이용해 시간적 패턴을 분석한다. 주성분 분석과 선형 판별 분석으로 차원을 축소한 뒤, 가우시안 베이즈 분류기와 계층적 군집화를 적용해 장르 구분 성능을 검증한다. Kappa 계수를 통한 정량적 평가와 군집 시각화 결과, 제안 방법이 장르 구분에 유효함을 확인한다.

상세 분석

이 연구는 음악 장르 분류에 있어 리듬 정보를 네트워크 구조로 재구성한다는 점에서 독창적이다. 악보 혹은 MIDI 파일에서 추출한 박자와 음표의 연속성을 노드와 엣지로 매핑함으로써, 복합 네트워크의 토폴로지 특성을 활용한다. 특히 마코프 모델을 적용해 노드 전이 확률을 추정함으로써 시간적 흐름을 정량화했으며, 이는 전통적인 스펙트럼 기반 특징과 차별화되는 강점을 제공한다. 차원 축소 단계에서 비지도형 PCA와 지도형 LDA를 병행 사용한 것은 데이터의 내재 구조와 클래스 구분 정보를 동시에 파악하려는 시도로 평가된다. PCA는 전체 변동성을 보존하면서 노이즈를 억제하고, LDA는 클래스 간 분산을 최대화해 판별 경계를 명확히 만든다. 분류기 선택에서도 두 가지 패러다임을 대비시켰다. 가우시안 가정 하의 베이즈 분류기는 확률적 해석이 가능하고 학습이 빠른 반면, 계층적 군집화는 사전 라벨이 없는 상황에서도 데이터의 군집 구조를 시각화한다. 실험 결과 Kappa 계수와 군집 일관성을 통해 두 방법 모두 의미 있는 성능을 보였으며, 특히 LDA‑베이즈 조합이 가장 높은 정확도를 기록했다. 그러나 몇 가지 한계도 존재한다. 첫째, 리듬 특징만을 사용했기 때문에 멜로디나 하모니와 같은 다른 음악적 요소를 무시한다는 점에서 장르 구분 능력이 제한될 수 있다. 둘째, 마코프 모델이 1차 전이만을 고려하므로 장기 의존성을 포착하는 데 한계가 있다; 고차 마코프 혹은 히든 마코프 모델을 도입하면 개선 가능성이 있다. 셋째, 데이터셋 규모와 장르 다양성에 대한 상세 언급이 부족해 일반화 가능성을 판단하기 어렵다. 향후 연구에서는 멀티모달 특징 결합, 딥러닝 기반 시퀀스 모델링, 그리고 대규모 공개 데이터셋을 활용한 교차 검증을 통해 현재 접근법을 보완할 수 있을 것이다.