JamendoMaxCaps是一个包含超过200,000个Jamendo平台自由许可器乐曲目的大型音乐说明数据集，结合音乐特征和元数据，旨在解决音乐与语言理解任务中的数据缺乏问题，提高音乐检索和生成模型的研究质量。

本研究提出了一种新方法，结合模型与神经网络，解决动态范围压缩（DRC）反演技术中的参数估计问题。实验结果显示，该方法在音乐数据集上优于多种先进技术。

本文介绍了多个音乐数据集和机器学习方法在音乐研究中的应用，如MusicNet、DISCO-10M和WikiMuTe。研究表明，深度学习在音乐分类、音频生成和信息检索等任务中表现优异，尤其在处理长尾数据和无监督学习方面。

介绍了MusicNet音乐数据集，用于机器学习方法的监督和评估。包含10位作曲家创作的11种乐器的数百个古典音乐录音和时间标签。研究表明，末端到末端的神经网络在音符预测方面效果最佳。

CCMusic和hyper.ai发布了多个音乐和音频数据集供研究人员在音乐训练中使用。数据集包括人声数据、钢琴音质数据、音乐流派数据等。此外，hyper.ai还更新了来自miHoYo和网易云等公司的音乐数据集。

本文提出了一种利用知识图谱的路径循环神经网络模型，用于推理用户-物品交互的原因。该模型在电影和音乐数据集上实验，显示出显著改进效果。

本文比较分析了音频理解模型预训练策略的影响，包括预训练数据集和方法。有监督模型在超大规模有人工注释的音乐数据集上训练实现了最先进的性能，而无监督模型则在某些情况下表现出较高的效率和通用性。