본 논문은 인공지능 기반의 음악 알고리즘 모델에서 결여된 음악적 표현 증강을 위한 연구로 인공신경망 모델(Artificial Neural Network Model)의 개선과 활성화 함수 최적화, 정량적 지표(Cosine Similarity)를 활용한 데이터의 교차 검증을 통한 연구 모델 및 방법론을 제시한다. 구체적인 연구에 앞서 이론적 관점에서 인공지능 음악과 음악적 표현에 대한 정의와 역사를 살펴보았다. 이후 인공지능 기반 음악 생성 기술에 대한 복합적 연구를 수행하였다. 인공신경망 모델의 설계와 구현에 앞서 인공지능 음악의 사용 사례와 한계점을 분석함과 동시에 현대의 작곡 방식과 인공지능 음악의 표현력에 대해 분석하였다. 알고리즘 모델의 학습 데이터는 1980년~2000년까지의 빌보드 연말 차트곡으로 선정하였다. 음원 수집, 분리, 변환 등의 전처리 과정을 통해 신호 잡음을 최소화한 후, 알고리즘 모델의 효율적인 학습을 위해 약 5,000마디로 구성된 데이터셋을 구축하였다.
구체적인 시스템 설계 및 구현을 위해 모델 구조 최적화, 활성화 함수 미세 조정, 신뢰도 검증 등 다섯 차례에 걸쳐 실험을 진행하였다. 1차 실험에서는 선행 연구를 바탕으로 선정된 세 가지 인공신경망 모델로 실험을 진행하였다. 각 단계에서 손실률의 변화와 과적합 현상을 관찰한 후 모델 구조 최적화를 목표로 학습전략을 도입해 개선된 음악적 표현생성을 확인하였다.
2차 실험에서는 활성화 함수를 적용하고 초매개변수를 미세 조정하며 최적 조합 설정을 시도하였다. 실험 결과 분석 중 알고리즘 모델의 예측 데이터가 정량적 기준에 미달하는 문제가 발생하였고, 데이터 생성 방식의 구조적 문제를 발견해 이후 실험들의 목적을 변경하였다.
3차 실험에서는 선행 실험에서의 구조적 문제점 해결을 위해 기존 모델의 학습 정보를 확장하여 전체 곡에서의 음의 위치를 추가 학습하였다. 추가 학습 결과와 기존 학습의 유의미한 차이를 발견하지 못하였기에 기존 정보가 인공지능 모델의 음악적 표현 생성에 있어 핵심 요인임을 재확인하였다.
4차 실험에서는 정량적 지표인 코사인 유사도를 활용하여 생성 데이터와 소스 데이터간의 신뢰도를 검증하였다. 1-2차 실험에서 최적화한 모델을 대상으로 다양한 장르의 음악을 소스 데이터로 사용하여 판정한 결과, 유사도 최댓값 1 중 0.97의 값을 도출하며 대상 모델의 높은 유사성을 확인할 수 있었다.
5차 실험에서는 구현된 인공신경망 알고리즘 모델의 일반화 성능을 확인하기 위해 신뢰도 검증을 수행하였다. 특정한 음악적 특징을 기준으로 학습한 알고리즘 모델과 기존 모델의 생성 데이터를 비교한 결과 기존 모델의 높은 신뢰도를 확인하였다.
본 연구는 인공지능 음악 알고리즘 모델의 성능과 일반화 능력을 개선하며 실제 산업에 적용될 때의 예측 정확도와 효과검증의 필요성을 제시하였다. 또한 대중이 선호하는 음악적 표현이 포함된 다양한 장르의 데이터셋을 구축하여 인공지능 생성 음악 모델의 범용성을 높일 수 있는 방안을 연구하였다. 해당 연구는 인공지능 음악 모델의 성장과 동반하여 현대 음악 산업에 기여하는 방법을 제시함에 그 의의가 있다.