MADB: 전문가의 다각적 주석을 포함하는 대규모 음악 심미성 데이터셋

MADB: A Large-Scale Music Aesthetics Dataset with Professional and Multi-Dimensional Annotations

음악 심미성 평가는 까다롭지만 아직 충분히 연구되지 않은 문제입니다. 이 분야는 정교하고 다차원적인 인간의 인지 판단을 모델링해야 하기 때문입니다. 이러한 노력은 체계화된 심미적 주석을 포함하는 대규모 데이터셋이 부족하여 제한되어 왔습니다. 본 논문에서는 30명의 숙련된 평가자가 주석을 단 9,999개의 음원 트랙으로 구성된 대규모 데이터셋 및 벤치마크인 MADB를 소개합니다. 각 음원 트랙은 약 10명의 평가자에 의해 10가지 인지 차원에 대한 평점과 함께 전반적인 점수가 부여되며, 다중 모드 분석을 위한 추가적인 텍스트 코멘트가 포함되어 있습니다. 우리는 여러 사전 학습 모델에 대한 통합된 평가 프레임워크를 구축했습니다. 결과는 모델 예측과 인간 판단 간의 상당한 격차를 보여주며, 현재 접근 방식의 주요 한계를 드러냅니다. MADB는 인간 중심의 음악 이해를 위한 새로운 벤치마크를 제공합니다. 프로젝트 페이지: https://github.com/knownree/madb

Music aesthetic assessment is a challenging yet underexplored problem, requiring models to capture fine-grained, multi-dimensional human perceptual judgments. Progress in this area has been limited by the lack of large-scale datasets with structured aesthetic annotations. We introduce MADB, a large-scale dataset and benchmark comprising 9,999 tracks annotated by 30 trained annotators. Each track is rated by around 10 annotators across 10 perceptual dimensions and one overall score, with additional textual comments for multimodal analysis. We establish a unified evaluation framework over multiple pretrained models. Results reveal substantial gaps between model predictions and human judgments, exposing key limitations of current approaches. MADB provides a new benchmark for human-aligned music understanding. Project page: https://github.com/knownree/madb