音楽の機械学習モデルは通常、作曲タスクを時間的なプロセスに分割し、作品を最初から最後まで一回のパスで作曲します。一方、人間の作曲家は非線形的な方法で音楽を作り、モチーフをここ那里と書き留め、しばしば以前に選択したものを再検討します。このプロセスをより正確に近似するために、部分的な楽譜を完成させる畳み込みニューラルネットワークを訓練し、ブロックギブスサンプリングの使用を探索しています。これは人間の書き換えプロセスのアナログとして機能します。当該モデルや生成手順は特定の因果的方向性には依存していません。私たちのモデルは無順序NADE（orderless NADE）の一例であり（Uriaら, 2014）、より直接的な祖先サンプリングが可能です。しかし、ギブスサンプリングがサンプル品質を大幅に向上させることを見出しており、これは一部の条件付き分布が適切にモデリングされていないためであることを示しています。さらに、Yaoら（2014）によって提案された安価な近似ブロックギブス手順でも祖先サンプリングよりも優れたサンプルを得られることを、対数尤度と人間評価に基づいて示しています。