Auditory object feature maps with a hierarchical network of independent components?
Notice bibliographique
Résumé
Auditory Object representation in the brain is still a controversial question [1,2]. Kumar et al. [3] discuss the hierarchical organization for auditory object perception and observe that the Planum Temporale (PT) area of the cortex encodes invariant representations of the spectral envelops of sounds. Many other studies find maps of representations elsewhere in the brain (Cochlear Nucleus, Inferior Nucleus, etc.). Sparse representations with minimum overlap could be considered, according to Barlow [4]. Griffiths and Warren [5] propose that auditory object representations might be segmented or segregated in the Planum Temporal (PT) by increasing the independence between the neural activities. We therefore explore the potential of a hierarchical neural assembly - with the use of a computer simulation - whose layers increase the feature independence during training, to represent auditory object parts. It is observed that learned features are organized into non-overlapping maps (Figure (Figure1)1) and that redundancy of the representation is in fact reduced. Learning was done on three categories of sounds having distinct acoustical statistics: speech, music and natural sounds. We observed that the learned feature maps are very different from one sound category to another and might be, to some extend, comparable to receptive fields measured in the brain. We discuss of their potential similarity with receptive fields measured in the Inferior Colliculus of the Guinea Pig and how they might be part of a representation of auditory objects in the brain. Figure 1 Learned representations illustrated for speech and natural sounds. FastICA training is first done on patches of 80ms x 32 cochlear channels of the envelopes coming from a 128 channels cochleagram (Level L0). Then, patches of 160ms x 64 cochlear channels ...
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».