Active Inference Institute Act. Infer. Serve.
DE

Diese Seite wurde maschinell aus dem Englischen übersetzt. Sehen Sie sich die englische Originalversion an.

Forscher, Kliniker und Audio-/Musiktechnologen, die an der Anwendung von aktiver Inferenz und präzise Verarbeitung an auditiven Kognition, musikalischer Belohnung und Klangtechnik interessiert sind.

Aktive Inferenz und Musik und Klang

Musik und Klang als ein zeitlich reiches Testfeld für aktive Inferenz: Vorhersage, Präzisionsgewichtung und motorisches Engagement an einem Ort.

Research resourcesActive Inference overview

Auf dieser Seite

Aktive Inferenz und Musik und Klang Leitfaden

Nächste beste Schritte

Aktive Inferenz und Musik- und Klangpfad

Beginnen Sie mit den öffentlich zugänglichen Links mit der höchsten Signalstärke für diese Seite und setzen Sie dann fort durch die verwandten Ressourcen- und Verzeichnisansichten.

Research resourcesResearchActive Inference overviewFiltern Sie RessourcenGlobales VerzeichnisAktive InferenzAktive Inferenz und Linguistik

Musik und Klang verbinden Wahrnehmung, motorische Handlung, Vorhersage und Affekte auf eine zeitlich strukturierte, messbare Weise, was sie zu einem ungewöhnlich zugänglichen Bereich für die Forschung zur aktiven Inferenz macht. Eine sich entwickelnde Sammlung von Arbeiten über prädiktive Verarbeitung in der Musik, bayesianische auditive Wahrnehmung und aktive Inferenz in Hörverarbeitung und Psychopathologie legt nahe, dass das Hören auf eine kontinuierliche Aktualisierung hierarchischer interner Modelle zur Minimierung von Vorhersagefehlern und erwartetem freiem Energie abzielt. Diese Seite fasst zusammen, was diese Literatur derzeit unterstützt, die konkreten Werkzeuge und Projekte, die sie nennt, und die Lücken, die sie für zukünftige Forschung identifiziert.

Warum der Bereich passt

Musik entfaltet sich in Sequenzen mit Struktur auf mehreren Zeitskalen von Millisekunden bis Minuten und zwingt Zuhörer dazu, Vorhersagen über Takt, Tempo, Tonart und harmonische Funktion zu bilden und kontinuierlich zu revidieren. Rhythmus, Melodie, Harmonie, Timbre und räumliche Hinweise instanziieren lernbare probabilistische Regelmäßigkeiten, und der Genuss oder "Groove", der mit Musik verbunden ist, scheint an präzise kalibrierte Verletzungen und Bestätigungen dieser Erwartungen gebunden zu sein, vermittelt durch Präzisionsgewichtung in kortiko-striatalen Schaltkreisen. Motorische Beteiligung wie Tapten oder Tanzen können temporale Vorhersagen schärfen und sensorische Unsicherheit reduzieren, wie in EEG-Studien von Synkopenrhythmen gezeigt wird, die explizit im Rahmen der aktiven Inferenzrahmen eingebettet sind. Diese enge Kopplung von Wahrnehmung, Handlung und Affekt ist genau das, wozu die einheitliche Behandlung von Wahrnehmung und Steuerung durch die aktive Inferenz aufgebaut ist, um sie zu modellieren.

Zusammenfassung der Literatur

Der am weitesten entwickelte Ansatz ist die vorhersagende-Kodierungs-Theorie von Peter Vuust und Kollegen über rhythmische Komplexität und Groove, die am Centre for Music in the Brain an der Aarhus University entwickelt wurde und Synkopen als Verletzung eines internen Metrikmodells behandelt. Aufbauend darauf fand die Studie „Active Inference in Music Perception: Motor Engagement to Syncopated Rhythm“, dass das Tippen zu einem Beat die EEG-Intertrialphas-Kohärenz und einen neuronalen Index der präzisionsgewichteten Vorhersagefehler erhöhte und somit direkten empirischen Beleg für Active Inference in der Musik lieferte. Andere Stränge umfassen das Modell von Nguyen und Kollegen, das auf „intuitiver Physik“ basiert und eine generative Melodieerwartungs-Modell (unter Verwendung von sequentieller Monte Carlo-Inferenz über Key- und musikalische-Kraft-Vorläufe) sowie das hierarchische Syntaxmodell, das harmonische Abhängigkeiten mit EEG-Theta-Leistungsfähigkeit in Beziehung setzt, die Studie von Gold und Kollegen im PNAS über Vorhersagbarkeit und Exposition, die musikalische Präferenz formt, eine bayesianische Überprüfung von Musik und Alterung sowie das Konto von Powers und Kollegen zu Active Inference bei auditiven Halluzinationen und eine fMRT-Studie, die zeigte, dass Active Sound Localization die Feinabstimmung im primären Hörkortikalen schärft. Der Bericht stellt fest, dass die meisten dieser Arbeiten in vorhersagenden oder bayesianischen Begriffen formuliert sind, anstatt als vollständig spezifizierte Active Inference Agenten mit expliziter Richtlinienauswahl.

Schlüsselprojekte und Werkzeuge

Das deutlichste demonstrierte Ingenieurbeispiel ist AIDA (Active Inference-basierter Designagent für Audioverarbeitung), der mit Benutzern interagiert, um personalisierte Audioverarbeitungsalgorithmen – Equalizer, Kompressoren, Effektketten – iterativ zu entwerfen, indem er ein generatives Modell aufrechterhält, das Parameterwerte mit der wahrgenommenen Klangqualität verknüpft und Parameteranpassungen auswählt, die die erwartete freie Energie über epistemische und pragmatische Werte minimieren. Das Centre for Music in the Brain an der Aarhus University (Vuust's Gruppe) verankert die Literatur zu Rhythmus und Groove. Der Bericht weist auch auf wiederverwendbare empirische Assets hin: Synkopen-/Beat-Tracking-Paradigmen mit EEG-Phasenkohärenzmaßen, Nguyen's melodievorhersagende Datensätze und den harmoniedependanten EEG-Datensatz, der für das Theta-Leistungsmodell verwendet wurde – alle Kandidaten für die Anpassung oder Validierung zukünftiger aktiver Inferenzmodelle von Musik.

Offene Probleme

Der Bericht identifiziert keine vollständig spezifizierte aktive Inferenzarchitektur, die musikalische Generatiemodelle, motorische Zustände und affektive Präferenzen in explizite erwartungsfreie-Energie-Richtlinienauswahl integriert – aktuelle Studien (einschließlich der syncopierten-Tapping-EEG-Arbeit und AIDA) behandeln nur Teile davon, nicht den gesamten Agenten. Er fordert die Brücke zwischen Einzelkanal-Neuronallmaßnahmen und langfristigem Lernen, Gewöhnung und Präferenzänderungen über Tage bis Jahre hinweg sowie mehr-Agenten-aktive Inferenzmodelle für Improvisation und kollektives/ensemble-musikalisches Verhalten, die weitgehend theoretisch sind (basierend auf Goldmans Konto der Improvisation als eine Art des Wissens). Klinisch sagt der Bericht aus, dass aktive Inferenz einen plausiblen Mechanismus für auditive Halluzinationen, Tinnitus, Hyperakusis und musikbasierte Interventionen im Alter und bei Parkinson-Gangtraining bietet, aber feststellt, dass fehlende kontrollierte Studien, die aktive-Inferenz-informierte Interventionen testen, bestehen. Auf der technischen Seite weist er auf ungelöste technische Herausforderungen hin, wie z. B. das Skalieren von Generatiemodellen von symbolischen Darstellungen (MIDI, Akkordbezeichnungen) zu rohen hochdimensionalen Audio und die Erreichung einer Echtzeit-Inferenz und Richtlinienauswahl.

Referenz-Grundgerüst

Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004.

Schlüsselflächen

Aktive Inferenz und Musik und Klang auf einen Blick

Rhythmus als aktive Wahrnehmung

EEG-Beweise zeigen, dass das Tippen zu einem synkopierten Beat die neuronale Phasenkohärenz und den präzisionsgewichteten Vorhersagefehler schärft und den Drang, sich der Musik hinzugeben, als aktive Inferenz in Aktion behandelt.

AIDA Audio Design Agent

Ein bereitgestelltes Aktives-Inferenzsystem, das latente Audio-Präferenzen eines Benutzers durch Interaktion ableitet und Parameter anpasst, um die erwartete freie Energie zu minimieren.

Rahmenwerk vor Beweisen

Der Bericht legt ausdrücklich dar, dass die meisten zitierten Arbeiten prädiktive Kodierung oder Bayes’sche Modellierung sind und nicht vollständig spezifizierte aktive Inferenzagenten, sodass explizite empirische Tests relativ selten sind.

Verwandte Ressourcen

Öffentliche Links für diese Seite

Externe Links werden aus dem gemeinsamen Register aufgelöst, sodass zielgerichtete Bestimmungen zentralisiert und überprüfbar bleiben.

Verwandte Seiten

Durch die Website navigieren

Neulinge, Lernende, Forscher, Bauende und Kooperationspartner Aktive Inferenz

Aktive Inferenz ist das zentrale wissenschaftliche und praktische Rahmenkonzept, um das sich die Arbeit des Instituts an Bildung, Forschung, Anwendungen und Ökosystemunterstützung orientiert.

 Rechensprachwissenschaftler, kognitive und klinische Sprechwissenschaftler sowie Fellow des Active Inference Institute, die an Dialogmodellierung, Psycholinguistik oder aktive-Inferenz-basierte LLM-Agenten arbeiten. Aktive Inferenz und Linguistik

Sprachgebrauch verbindet Wahrnehmung, Handlung und Unsicherheitslösung so eng wie jeder andere Bereich, in dem die aktive Inferenz angewendet wird: Sprecher und Zuhörer aktualisieren kontinuierlich generative Modelle und handeln, um Vorhersagefehler zu reduzieren – während eines Gesprächs. Dieser Bericht verfolgt die Literatur von grundlegenden generativen Modellen für synthetische Dialoge bis hin zu Erweiterungen in der Sprachmotorik, Stottern, innerer Rede, Syntax und großen Sprachmodellen sowie die empirische Vorsicht, die durch kritiken des Vorhersagekodierungs- und Bayesian-Hirn-Modells vorgebracht wird. Was folgt, fasst diese Literatur für Forscher zusammen, die bewerten wollen, wo die aktive Inferenz tatsächlich sprachliche Phänomene erklärt und wo sie ein normatives Gerüst ist, das auf Beweisen wartet.

 Psychologen, computationale Psychiater und klinische Forscher, die aktive Inferenz als einen mechanistischen, testbaren Rahmen für Kognition, Affekte und therapeutischen Wandel bewerten. Aktive Inferenz und Psychologie

Aktive Inferenz und der Free-Energy-Prinzip-Modell betrachten Gehirne als hierarchische generative Systeme, die verborgene Ursachen von sensorischen Daten erschließen und handeln, um erwartete Überraschung zu minimieren. Im Laufe der letzten Dekade ist diese Formalismus vom theoretischen Neurowissenschaften in die psychologische Wissenschaft und Psychiatrie übergegangen und hat eine wachsende Literatur zu Emotionen, Interozeption, Selbsthood, sozialer Kognition, Psychotherapie und psychopathologischen Erzeugnissen hervorgebracht. Die Literatur bleibt methodologisch jung: Die meisten Modelle befinden sich noch auf dem Niveau der Simulation und Theorie mit relativ wenigen großen empirischen Tests und nur anfangenden translationalen Werkzeugen.