이 페이지는 기계 번역된 영어 페이지입니다. 영어 원본 보기
연구자, 임상의사 및 음향/음악 기술자가 청각 인지, 음악적 보상 및 사운드 엔지니어링에 대해 활동적인 추론과 예측 처리를 적용하는 데 관심이 있습니다.
음악과 소리가 활동적 인ference의 시간적으로 풍부한 시험 배터리로: 예측, 정확성 가중치 및 운동 참여가 한 곳에 있습니다.
이 페이지에서
음악과 소리는 시각화, 동작, 예측 및 감정이 시간적으로 구조화되고 측정 가능한 방식으로 인상, 운동 행동, 예측 및 감정이 서로 교차하여 연구에 특히 접근하기 쉬운 주제가 됩니다. 음악에서의 예측 처리 연구와 백베이esian 청각 인식 연구 그리고 audition과 정신질환에 대한 활성인ference 연구가 일치하는 몇몇 작업들은, 듣기 시 내부 모델을 지속적으로 업데이트하여 예측 오류를 최소화하고 에너지의 기대값을 최소화하도록 조직된다는 것을 제시합니다. 이 문헌이 현재 지원하는 것, 그들이 언급한 구체적인 도구와 프로젝트 그리고 미래 연구에 대한 개발을 요구하는 틈새들을 합쳐 synthesizes 이 페이지가 됩니다.
음악은 다양한 시간스케일에서 구조가 있는 시퀀스로 펼쳐지며, 그로부터 박자, 속도, 주제, 화성 및 음색과 공간적 지시를 포함한 여러 요소는 학습 가능한 확률 규칙을 인식합니다. 그리고 음악에 대한 즐거움 또는 "그루브"는 이러한 예상과 일치하거나 불일치하는 정확도가 조절된 위반과 확인으로 연결되어 있습니다. 이들 예상은 측두엽-신경계 회로의 정밀성 가중치를 통해 중재됩니다. 동작, 예를 들어 타기 또는 춤추는 것은 시간 예측을 희화하고 감각 불확실성을 줄이는 데 도움이 됩니다. 이 EEG 연구에서 스텝박스 리듬의 경우 명시적으로 활성 인ference에 기반한 분석입니다. 이러한 체계적인 연결은 활성 인퍼런스가 통합된 처리를 통해 감각과 제어을 모델링하는 데 완전히 맞는 것입니다.
최고로 발달한 작업은 Peter Vuust과 동료들의 리듬적 복잡성과 그루브에 대한 예측-코딩 계열의 설명이며, Aarhus University의 센터-for-Music-in-the-Brain에서 기반을 두고 출판체계를 위반하는 내부 메트릭스 모델에 대한 범주를 다룹니다. 이를 바탕으로 연구 "음악 인식에서 활성인ference"는 축구를 따라하는 데 힘을 주면 EEG 사이 트라이얼 간 피치 상호화와 신경학적 정확도 부여 예측 오류의 신호가 증가했다는 결과를 제공하여 예측-인ference가 음악에 대한 직접적인empirical 지원을 제시했습니다. 다른 strand에는 Nguyen과 동료들의 "감성 물리학" 생성 모델이 멜로디적 기대를 설명하며 (주행 키와 음악적 힘의 사전 확률을 사용한 시퀀셜 몬테카를로 인ference), 하위 구조 모델이 화음 의존성을 EEG 툴러 파워와 연결되는 것, Gold과 동료들의 PNAS 연구에서 예측 가능성과 노출이 음악적 선호도를 형성하는 것을 설명하며, 음악과 노화에 대한 베이지안 리뷰, Powers와 동료의 청각 hallucination을 위한 활성인ference 계열의 설명, 그리고 fMRI 연구가 활성 사운드 위치화가 주요 auditory 쥬리아트 영역에서 툴러를 빨간색으로 만든다는 것을 보여줍니다. 보고서는 대부분이 예측-인ference 계열 또는 베이지안 용어로 프레임을 설정하고 있으며, 완전히 지정된 활성 인ference AGENT와 명확한 정책 선택에 대한 전체적인 설명은 아닙니다.
AIDA 기반의 Active Inference 기술적 예시는 음향 처리 알고리즘을 개인화하여 설계하는 사용자와 상호작용하며, 설정된 매개변수가 청각적 품질과 관련이 있는 생성 모델을 유지하면서 자유 에너지에 대한 평의 epistemic 및 pragmatic 가치를 최소화하도록 선택되는 매개변수 조정을 포함합니다. Aarhus University의 Centre for Music in the Brain 그룹은 래프트와 드로브 문헌을 기반으로 합니다. 보고서는 재사용 가능한 실험적 자산에 대한 포인트를 지적하며, EEG 동기화 측정법과 관련된 심박주파수 패러다임, Nguyen의 멜로디 예측 데이터 세트, 그리고 theta-power 모델을 사용한 음색 의존성 EEG 데이터셋이 미래의 Active Inference 모델에 대한 적합이나 검증의 캐스팅 또는 대상입니다.
보고서는 음악 생성 모델과 동작 상태, 감정적 선호도를 통합하여 명시적으로 에측되지 않은 자유 에너지 정책을 선택하는 전체적인 AGI에 대한 완전히 구체화된 활동적 인ference 아키텍처가 존재하지 않는다는 것을 보여준다. 현재 연구들 (syncopated-tapping EEG 작업과 AIDA 포함)은 이 중 일부를 다루지만, 전체 AGI는 아니다. 보고서는 단일 시험 뉴런 측정을 스캔lon learning, 향유 및 선호도 변화에 걸친 일주일에서 수십 년까지 연결하는 것을 요구하며, 그리고 improvisation과 대규모/조합 음악적 행동의 다중 AGI 모델링에 대한 이론적인 부분만이 해결되어야 한다고 주장한다. 금융적으로는 보고서는 활동적 인ference가 청각 hallucination, 테인트, 과민성 hearing 및 노년기와 파킨슨 걸음걸이 교육을 위한 음악 기반 치료의 plausible 메커니즘으로 작용한다고 말한다. 그러나 이러한 활동적 인ference를 바탕으로 한 치리를 통한 임상 시험은 부족하다고 지적한다. 엔지니어링 측면에서는, 보고서는 상징적 표현 (MIDI, 챌드 라벨)에서 생성 모델을 확장하고 실시간 인ference 및 정책 선택을 달성하는 것은 아직 해결되지 않은 기술적인 도전으로 지목한다.
Karl J. Friston (2010). 자유 에너지 원칙: 하나의 뇌 이론? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). 활동적 인퍼전: 자유 에너지 원칙이 마음, 뇌 및 행동에 대한 일관된 이론. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). 활동적 인퍼전, 자기 조절과 적응형 행동 제어. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). 자유 에너지 원칙을 행동과 인식에应用于: 수학적 리뷰. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004.
주요 표면
EEG 증명은 동요의 스케치박스 출현을 향해 손가락을 두드리면 뉴런의 피크 상호 보정과 정확도 부여된 예측 오류가 강화되고, 음악에 움직이려는 욕구를 활동적 인ference에서 처리하는 것입니다.
활성인ferencesystem이 사용자의 숨겨진 음악 선호도를 통합하고 교류하며, 에프리미안 자유 에너지 최소화를 위해 처리 매개변수를 조정합니다.
report은 명확히 제시하고 대부분이 인용된 작업은 예측적 코딩이나 베이지안 모델링보다는 완전하게 정의된 활동적 추론-agents에 집중되었으므로 직접적인 실험적 검증은 여전히 비교적 드문 일이기 때문에
관련 자료
Audience: Researcher
Research and publication-oriented repository for the Active Inference Journal.
Audience: Researcher
Synthesis paper on active inference over discrete state-spaces (Da Costa et al., 2020); a standard reference for the discrete formulation.