26th Annual Computational Neuroscience Meeting (CNS*2017): Part 1
Notice bibliographique
Résumé
Perception seems so simple. I look out of the window to see houses, trees, people walking past, the sky above, the grass below. I hear birds in the trees, cars going past, the distant sound of an alarm. The world is full of objects that make their presence known to me through my senses -what could be more simple? Yet the efficacy of perceptual experience hides a host of questions for which we do not yet have the answers. Information reaching our senses is generally incomplete, ambiguous, distributed in space and time and not neatly sorted according to its source, so a key function of our perceptual systems is to discover the likely causes of our sensations. Perception as inference or hypothesis testing, formalised in the predictive coding theory, offers an attractive framework for exploring these issues. From this perspective, regularities or patterns provide perceptual systems with some traction, allowing the formation of expectations and a basis for decomposing the world into discrete objects. But in the dynamic world which we inhabit, object representations must be similarly dynamic, and need to form and dissolve, dominate and yield, in a way that facilitates veridical perception. In this talk I will discuss auditory scene analysis in the context of predictive coding using experimental data, exemplar models, and the phenomenon of perceptual multistability.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».