بينما مكّنت التعلم العميق من تقدم كبير في العديد من مجالات الموسيقى، لا تزال قواعد البيانات الموسيقية المصنفة صعبة للغاية ومكلفة ومتعبة للإنشاء. في هذا العمل، نقدم تقنية SimCLR إلى مجال الموسيقى ونساهم بسلسلة طويلة من عمليات زيادة بيانات الصوت لتشكيل إطار عمل بسيط للتعلم الذاتي المراقب والمقارن لتمثيلات الموسيقى: CLMR. يعتمد هذا النهج على بيانات الموسيقى الخام في المجال الزمني ولا يتطلب أي تصنيفات لتعلم التمثيلات المفيدة. نقيم CLMR في مهمة التصنيف اللاحقة للموسيقى باستخدام قاعدة بيانات MagnaTagATune وقاعدة بيانات مليون أغنية، ونقدم دراسة تقليصية (Ablation Study) لاختبار أي من ابتكاراتنا المتعلقة بالموسيقى فوق SimCLR هي الأكثر فعالية. يحقق المصنف الخطي الذي تم تدريبه على التمثيلات المقترحة دقة متوسطة أعلى من النماذج المراقبة على قاعدة بيانات MagnaTagATune، ويؤدي بشكل مشابه على قاعدة بيانات مليون أغنية. علاوة على ذلك، نظهر أن تمثيلات CLMR قابلة للنقل باستخدام قواعد بيانات خارج المجال، مما يشير إلى أن طريقتنا لديها قدرة تعميم قوية في تصنيف الموسيقى. أخيرًا، نظهر أن الطريقة المقترحة تسمح بالتعلم الكفاءي على قواعد البيانات الصغيرة المصنفة: نحقق دقة متوسطة بنسبة 33.1٪ رغم استخدامنا فقط 259 أغنية مصنفة (1٪ من القاعدة الكاملة) خلال تقييم الخطية. لتعزيز إمكانية إعادة الإنتاج والبحث المستقبلي حول التعلم الذاتي المراقب في الموسيقى، نطلق بشكل عام النماذج المدربة مسبقًا وكود المصدر لكل التجارب الواردة في هذه الورقة.