Connectionism, Music and Fourier Phase Spaces
Notice bibliographique
Résumé
How does the brain represent musical properties? Even with our growing understanding of the cognitive neuroscience of music (Abbott, 2002; Peretz and Zatorre, 2003; Peretz and Zatorre, 2005; Zatorre and McGill, 2005), the answer to this question remains unclear. One method for conceiving possible representations is to use artificial neural networks, which can provide biologically plausible models of cognition (Rumelhart and McClelland, 1986; Bechtel and Abrahamsen, 2002; Enquist and Ghirlanda, 2005). One could train networks to solve musical problems, (Todd and Loy, 1991; Griffith and Todd, 1999) and then study how these networks encode musical properties. However, researchers rarely conduct detailed examinations of network structure(Dawson, 2009, 2013, 2018) because networks are difficult to interpret, and because it is assumed that networks capture informal or subsymbolic properties (Smolensky, 1988; McCloskey, 1991; Bharucha, 1999). Within this thesis, we report very high correlations between network connection weights and discrete Fourier phase spaces used to represent musical sets (Amiot, 2016; Callender, 2007; Quinn, 2006, 2007; Yust, 2016). This is remarkable because there is no clear mathematical relationship between network learning rules and discrete Fourier analysis (Rumelhart, Hinton et al., 1986; Dawson and Schopflocher, 1992; Amiot, 2016). That networks discover Fourier phase spaces indicates that these spaces have an important role to play outside of formal music theory. Finding phase spaces in networks raises the strong possibility that Fourier components are possible codes for musical cognition.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».