要約
バージョン識別（VI）タスクは、同じ音楽作品に対応する録音を自動的に検出することを扱います。多くの努力が払われていますが、VIは依然として未解決の問題であり、特に精度とスケーラビリティの両立において大幅な改善の余地があります。本論文では、音楽的な動機付けを受けた精度とスケーラビリティに優れたバージョン識別手法MOVEを提案します。MOVEは、トリプレット損失とハードトリプレットマイニング戦略を使用してユークリッド距離空間でのスケーラブルな埋め込みを学習することで、2つの公開ベンチマークセットで最先端の性能を達成しています。従来の研究よりも改善するために、代替入力表現を採用し、新しい時間的内容要約技術（temporal content summarization）、標準化された潜在空間（standardized latent space）、およびVIに特化したデータ拡張戦略を導入しています。主な結果に加えて、アブレーションスタディを行い、設計選択肢の重要性を強調するとともに、埋め込み次元数とモデル性能の関係についても考察しています。