Professional Documents
Culture Documents
REPRESENTACIÓN
parte 2
¿Cómo procesa el cerebro?
La investigación reciente en redes neuronales, biológicas y
artificiales, ha permitido comenzar a entender cómo funciona el
cerebro biológico
Gusto
Receptor A = dulce
Receptor B = agrio
Receptor C = salado
Receptor D = amargo
Representaciones “distribuidas”
“Espacio de estados” para el gusto
El patrón de activación que representa a un
melocotón es más similar al de una fresa que al
de un ajo, por tanto estarán más cerca en el
espacio de estados
A B C D
receptores
Representaciones “distribuidas”
“Espacio de estados” para el gusto
Ejercicio
Si se pueden discriminar, por ejemplo, 10 niveles
distintos de activación a lo largo de cada una de
las 4 dimensiones para cada receptor ¿Cuántos
patrones de 4 elementos, o sabores, podríamos
representar o discriminar?
Vector o patrón de activación
A B C
Rasgos, dimensiones, de la cara
Simplificando la forma de
representarlas, vamos a suponer
B
que podemos representar las caras
A
mediante tres características: la
separación de los ojos (A), la
amplitud de la nariz (B), y el grosor
C
de los labios (c)
Representaciones “distribuidas”
Representación de caras
A B C
Rasgos, dimensiones, de la cara
B
A
C
Representaciones “distribuidas”
“Espacio de estados de caras”
A B C
Ejercicio Solución
¿Cuál es el patrón de activación Sería una cara con:
que emerge en esta capa de ojos muy separados (1)
neuronas (vector) ? nariz muy estrecha (0)
labios medianamente gruesos (0.5)
Ejercicio Solución
¿Cuál es el patrón de activación Sería una cara con:
que emerge en esta capa de ojos medianamente separados (0.5)
neuronas (vector) ? nariz muy ancha (1)
labios poco gruesos (0.3)
fonemas
letras
Computación cerebral:
Transformación de patrones
NetTalk transforma patrones visuales en fonológicos
Tarea de lectura
fonemas
letras
Almacenamiento de representaciones
MLP
netinputi = ∑ aj wij
ai = netinputi
¿Cómo almacenan las sinapsis las representaciones,
los diferentes patrones de activación?
Modelo de MT de Cowan.
La información que está en “foco de
atención”, en la MT, es la parte
máximamente activada de la
información que tenemos en MLP en
un momento dado.
No se “copia” la información de la MLP
para llevarla a la MT (como hacen los
ordenadores o proponen los modelos
de “múltiples componentes”)
Aprendizaje
Ajuste de las conexiones sinápticas (pesos)
¿Cómo se ajustan los pesos de las conexiones? ¿Cómo
“saben” las neuronas cuál es el valor adecuado de los pesos?
Podemos suponer que la neurona 3 es una neurona de las de salida de
NetTalk. Podemos suponer que el circuito en un momento preciso del
proceso de aprendizaje pronuncia mal la “th” del inglés en palabras como
“the” o “thousands”. El sonido se parece más al sonido de la “z” en
“zapato” que al sonido de la “th” propia del inglés estándar. Para conseguir
Neurona 3 la pronunciación correcta, en lugar de tener como activación 0.39 la
neurona 3 de la figura 1 habría de tener una activación de 0.44. Con un
0.44 tendríamos la pronunciación perfecta de la consonante “th”.
¿Qué tendríamos que hacer para conseguir este 0.44?
La respuesta es modificar las sinapsis. Si la primera sinapsis en lugar de
valer 0.7 vale 0.8 tendríamos un output de 0.44. La pronunciación perfecta.
Regla de Hebb
“When an axon of cell A is near enough to excite a cell B, and
repeteadly takes part in firing it, some growth process or
metabolic change takes place in both cells such that A's
efficiency as one of the cells firing B is increased”
∆wij = β·ai·aj
Aprendizaje
Ajuste de las conexiones sinápticas (pesos)
Pero un mismo conjunto de
neuronas (unidades) es el que
representa todos los posibles
casos o patrones del tipo A
(caras) y del tipo B (nombres) Patrones B
Input output
P1 1 0 1 1
P2 0 1 1 0
ai= 2 net i
Solución P1 10 11
a3= 2 net 3= 2(a1 w31 + a2 w32)
W31= 0.5
Solución P1 10 11
a4= 2 net 4= 2(a1 w41 + a2 w42)
W41= 0.5
Solución P2 01 10
a3= 2 net 3= 2(a1 w31 + a2 w32)
W32= 0.5
Solución P2 01 10
a4= 2 net 4= 2(a1 w41 + a2 w42)
W42= 0
Valores de los pesos
Input output
P1 1 0 1 1 W32 W41
P2 0 1 1 0 W31 W42
W31=0.5
W32= 0.5
W41=0.5
W42=0
Valores de los pesos
Input output
P1 1 0 1 1 0.5 0.5
P2 0 1 1 0 0.5 0
W31=0.5
W32= 0.5
W41=0.5
W42=0
Patrón P1 1 0 1 1
Input output
P1 1 0 1 1 0.5 0.5
P2 0 1 1 0 0.5 0
W31=0.5
W32= 0.5
1 0
W41=0.5
W42=0
Patrón P1 1 0 1 1
1 1
Input output
P1 1 0 1 1 0.5 0.5
P2 0 1 1 0 0.5 0
W31=0.5
W32= 0.5
1 0
W41=0.5
W42=0
Patrón P2 0 1 1 0
1 0
Input output
P1 1 0 1 1 0.5 0.5
P2 0 1 1 0 0.5 0
W31=0.5
W32= 0.5
0 1
W41=0.5
W42=0