arXiv 论文用自由能原理建模空间听觉学习
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从静态贝叶斯到动态框架
论文指出，声源定位长期以贝叶斯推断作为计算解释，但这类建模多局限于静态聆听场景，难以覆盖声学条件不断变化时的动态内部表征。作者转而采用自由能原理，把感知、学习与行动统一描述为变分自由能的联合最小化，并称这是将该原理用于空间听觉的第一步。实验设置是受试者在多次试验中估计声音方向，每次估计后收到视觉反馈，研究关注的是信念如何在试验之间演变，而非单次静态判断。
三分量信念与更新机制
受试者被描述为一个分层生成模型，视觉反馈驱动变分自由能上的梯度下降，从而更新三类彼此独立的量：侧向定位精度、极向定位精度，以及半视野消歧。这样的拆分让模型能够刻画个体学习轨迹，并区分不同成分各自的动态。作者报告，侧向精度随试验提升，半视野消歧同样改善，这与听觉通路解码垂直方向灵敏度提高相一致；极向精度也出现上升，且在初始精度最低的受试者身上增幅最大，作者据此推断垂直方向的改善由半视野消歧与极向精度共同贡献。
适用范围与后续方向
该研究把空间听觉确立为自由能原理可以处理的领域，其价值在于提供了一个可分解、可对照个体差异的建模范式，而不是给出某个具体产品的性能结论。作者同时说明，当前工作只是起点，实验中受试者仅做方向估计并接收视觉反馈，尚未包含完整的动作—感知循环，因此提出未来开展闭环实验，让行动与感知在模型中共同参与自由能最小化。对关注感知学习建模的研究者而言，可重点看三分量拆分方式与个体轨迹拟合的做法。
为什么值得看
把自由能原理从静态贝叶斯定位推广到逐试次学习过程，并给出可解释的三分量信念结构，对听觉建模与感知学习研究者有参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。