Enciclopedia/Diccionario de Psicología y Neurociencias:

ıllı Conexionismo wiki: info, libros pdf y vídeos

Detalles: Categoría: PSICOLOGIA (WIKINFO)

psicologia y neurociencias

Conexionismo

El principio central del conexionismo es que los fenómenos mentales pueden ser descritos por redes de unidades fáciles y a menudo iguales que se interconectan. La manera de las conexiones y de las unidades cambia de un modelo a otro. Por servirnos de un ejemplo, las unidades de la red podrían representar neuronas y las conexiones podrían representar sinapsis. Otro modelo podría hacer cada unidad de la red una palabra, y cada conexión una indicación de semejanza semántica.

Propagación de activación

En la mayor parte de los modelos conexionistas las redes cambian con el tiempo. Un aspecto de manera estrecha relacionado y común de los modelos conexionistas es la activación. En cualquier instante, una unidad de la red se activa a través de un valor numérico que pretende representar algún aspecto de la unidad. Por servirnos de un ejemplo, si las unidades del modelo son neuronas, la activación puede representar a la probabilidad de que la neurona produzca un pico en su potencial de acción. Si se trata de un modelo de propagación de activación, entonces con el tiempo la activación de una unidad se extenderá a todas las otras unidades conectadas a ella. La propagación de activación es siempre y en todo momento una característica de los modelos de redes neuronales, y es muy habitual en los modelos conexionistas usados en sicología cognitiva.

Redes neuronales artificiales

Red neuronal artificial

Las redes neuronales son los modelos conexionistas más usados actualmente. Muchas investigaciones en las que se emplean redes neuronales son llamadas con el nombre más genérico de "conexionistas". Si bien hay gran pluralidad de modelos de redes neuronales, prácticamente siempre y en todo momento prosiguen 2 principios básicos relativos a la mente:

Cualquier estado mental puede ser descrito como un vector (N)-dimensional de los valores numéricos de activación en las unidades neurales de una red.
La memoria se crea cuando se alteran los valores que representan la fuerza de las conexiones entre las unidades neurales. La fuerza de las conexiones, o bien "pesos", son normalmente representados como una matriz de (N × N) dimensiones.

La mayoría de los diferentes modelos de redes neuronales aparecen por:

La Interpretación de sus unidades: Se pueden interpretar como neuronas individuales o bien como conjuntos de estas.
La Definición de la activación: Hay multitud de formas de delimitar la activación. Por servirnos de un ejemplo, en una máquina de Boltzmann la activación se interpreta como la probabilidad de producir un pico de potencial de acción, y se determina por medio de una función logística sobre la base de la suma de las entradas de cada unidad.
El algoritmo de aprendizaje: Cada género de red altera sus conexiones de diferente forma. Por norma general, cualquier cambio matemáticamente definido que se dé en los pesos de las conexiones a lo largo del tiempo va a ser definido como un "algoritmo de aprendizaje".

Los conexionistas están conformes en que las redes neuronales recurrentes (en las que las conexiones de la red pueden formar un ciclo dirigido) son un modelo del cerebro mejor que las redes neuronales feedforward (redes sin ciclos dirigidos). Muchos modelos recurrentes conexionistas asimismo incorporan la teoría de los sistemas activos. Muchos estudiosos, como Paul Smolensky, han argumentado que los modelos conexionistas evolucionarán cara sistemas dinámicosno lineales con un enfoque de manera plena progresivo y de múltiples dimensiones.

Realismo biológico

La rama de las redes neuronales del conexionismo sugiere que el estudio de la actividad mental es realmente el estudio de los sistemas neurales. Esto enlaza el conexionismo con la neurociencia, con modelos que implican diferentes grados de realismo biológico. Los trabajos conexionistas en general no precisan ser biológicamente realistas, mas ciertos estudiosos de redes neuronales, los neurocientíficos computacionales, procuran modelar los aspectos biológicos de los sistemas naturales neuronales muy cerca de las llamadas "redes neuromórficas". A muchos autores les atrae del conexionismo la clara relación que se puede localizar entre la actividad neuronal y la cognición. Esto ha sido criticado por ser exageradamente reduccionista.

Diversos estudios han estado enfocados en diseñar métodos de enseñanza-aprendizaje desde el conexionismo.Los conexionistas generalmente resaltan la relevancia del aprendizaje en sus modelos. De esta forma han creado muchos procedimientos complejos de aprendizaje para redes neuronales. El aprendizaje siempre y en todo momento implica la modificación de los pesos de conexión. Esto en general acarrea el empleo de fórmulas matemáticas para determinar el cambio de los pesos cuando se tienen un conjunto de datos consistente en vectores de activación para un subconjunto de unidades neuronales.

Para formalizar el aprendizaje de este modo los conexionistas tienen muchas herramientas. Una estrategia muy habitual de los métodos conexionista de aprendizaje es la integración del descenso de gradiente sobre una superficie de fallo en un espacio definido por la matriz de pesos. Todo el aprendizaje por descenso de gradiente en los modelos conexionistas implica el cambio de cada peso a través de la derivada parcial de la superficie de fallo respecto al peso. El algoritmo de retropropagación se hizo popular en la década de mil novecientos ochenta y es seguramente el algoritmo conexionista de descenso de gradiente más conocido actualmente.

Las bases de las ideas conexionistas se pueden remontar a fines del siglo XIX, cuando Santiago Ramón y Cajal estableció las bases para los estudios de redes neuronales, cuando describió la estructura de las neuronas y su forma de interconexión. Después, en mil novecientos cuarenta y nueve, Donald Hebb planteó su postulado de aprendizaje conforme el que la conexión entre 2 neuronas se va a hacer más fuerte si se disparan al tiempo. Mas no fue hasta la década de mil novecientos ochenta cuando el conexionismo se transformó en un punto de vista popular entre los científicos.

Procesamiento distribuido en paralelo

El enfoque conexionista que predomina hoy día fue originalmente conocido como procesamiento distribuido paralelamente (PDP). Era un enfoque de red neuronal que resaltó el carácter paralelo del procesamiento neuronal, y la naturaleza distribuida de las representaciones neuronales. Dicho enfoque da a los estudiosos un marco matemático general en el que operar. Dicho marco implica 8 aspectos principales:

Un conjunto de unidades de procesamiento, representadas por un conjunto de números enteros.
Una activación para cada unidad, representada por un vector de funciones dependientes del tiempo.
Una función de activación para cada unidad, representada por un vector de funciones de activación.
Un patrón de conectividad entre las unidades, representada por una matriz de números reales que señalan la fuerza de conexión.
Una regla de propagación que extienda las activaciones mediante las conexiones, representada por una función de salida de las unidades.
Una regla de activación para conjuntar las entradas a una unidad y determinar su nueva activación, representada por una función de activación actual y de propagación.
Una regla de aprendizaje para alterar las conexiones, basada en la experiencia, representada por un cambio en los pesos sobre la base de cualquier número de variables.
Un ambiente que provee al sistema de la experiencia, representada por conjuntos de vectores de activación para ciertos subconjuntos de unidades.

Estos aspectos son ahora la base para prácticamente todos los modelos conexionistas. Una restricción del PDP es que es reduccionista. Esto es, todos y cada uno de los procesos cognitivos pueden ser explicados en concepto de activación neuronal y comunicación.

Mucha de la investigación que condujo al desarrollo del PDP se hizo en la década de mil novecientos setenta, mas el PDP se hizo popular en la década de mil novecientos ochenta con el lanzamiento de los libros Parallel Distributed Processing: Explorations in the Microstructure of Cognition - Volume 1 (foundations) y Volume dos (Psychological and Biological Models), por James L. McClelland, David Y también. Rumelhart y el Conjunto de Investigación de los PDP. Estos libros son considerados obras básicas para el conexionismo, y hoy día es común comparar absolutamente PDP y conexionismo, si bien el término "conexionismo" no se emplea en ellos.

Primeros trabajos

Raíces directas del PDP fueron las teorías del perceptrón de estudiosos como Frank Rosenblatt en la década de mil novecientos cincuenta y mil novecientos sesenta. Mas los modelos perceptrón se hicieron muy impopulares a causa del libro Perceptrons: An Introduction to Computational Geometry de Marvin Minsky y Seymour Papert, publicado en mil novecientos sesenta y nueve. Este libro mostraba los límites de la clase de funciones que los perceptrones pueden calcular, probando que aun las funciones simples, como el O bien exclusivo no pueden ser manejadas apropiadamente. Los libros sobre PDP superaron esta restricción, al enseñar que las redes neuronales multi-capa y no lineales son considerablemente más robustas y pueden usarse para una extensa gama de funciones.

Muchos de los primeros estudiosos abogaron por modelos de estilo conexionista, por poner un ejemplo, en los las décadas de mil novecientos cuarenta y mil novecientos cincuenta, Warren McCulloch, Walter Pitts, Donald Olding Hebb, y Karl Lashley. McCulloch y Pitts mostraron de qué forma los sistemas neurales podrían incorporar la lógica de primera importancia en un artículo tradicional "A Logical Calculus of Ideas Immanent in Nervous Activity" (mil novecientos cuarenta y tres). Los autores de este artículo fueron influidos por la esencial tarea de Nicolas Rashevsky en la década de mil novecientos treinta. Hebb hizo una enorme contribución con sus ideas sobre el funcionamiento neural, y planteó un principio de aprendizaje, llamado aprendizaje hebbiano, que se prosigue usando en la actualidad. Lashley arguyó que las representaciones distribuidas son consecuencia de su descalabro en localizar algo semejante a un engrama en años de ensayos con lesiones.

Conexionismo además de PDP

Aunque el PDP es la manera dominante de conexionismo, hay otro género de trabajos teóricos que asimismo han de ser abarcados en el conexionismo.

En mil ochocientos ochenta y ocho Santiago Ramón y Cajal describió la estructura de las neuronas y su forma de interconexión estableciendo así las bases para los estudios de redes neuronales. Mas muchos principios conexionistas se remontan trabajos tempranos en el campo de la sicología, como los de William James. Las teorías sicológicas basadas en el conocimiento del cerebro humano estaban de tendencia en el siglo XIX. Ya en mil ochocientos sesenta y nueve, el neurólogo John Hughlings Jackson abogó por sistemas distribuidos en múltiples niveles. Partiendo de esta base las publicaciones de Herbert SpencerPrinciples of Psychology, 3a edición (mil ochocientos setenta y dos), y de Sigmund FreudProject for a Scientific Psychology (mil ochocientos noventa y cinco) planteaban teorías conexionistas o bien proto-conexionistas. Estas tendían a ser teorías especulativas. Mas a inicios del siglo veinte, Edward Thorndike experimentaba con formas de aprendizaje que postulaban las redes de tipo conexionista.

En la década de mil novecientos cincuenta, Friedrich Hayek planteó que el orden espontáneo en el cerebro era consecuencia de redes descentralizadas formadas por unidades fáciles. El trabajo de Hayek era extrañamente convocado en la literatura sobre PDP hasta hace poco.

Otra forma de modelo conexionista fue la llamada Gramática estratificacional desarrollada por el lingüistaSydney Lamb en la década de mil novecientos sesenta. La gramática estratificacional solo ha sido usada por los lingüistas, y jamás fue unificada bajo el enfoque de los PDP. Como resultado son pocos los estudiosos que ahora la usan.

Hay asimismo modelos conexionistas híbridos, la mayor parte mezcla de representaciones simbólicas con modelos de redes neuronales.El enfoque híbrido ha sido protegido por ciertos estudiosos como Ron Sun.

Mientras el conexionismo se hacía poco a poco más popular en la década de mil novecientos ochenta, hubo una reacción contraria por la parte de ciertos estudiosos, incluyendo a Jerry Fodor, Steven Pinker y otros.Argüían que el conexionismo como se estaba desarrollando corría el riesgo de olvidar lo que veían como los progresos efectuados por el enfoque tradicional de la inteligencia artificial en los campos de la ciencia cognitiva y la sicología. La inteligencia artificial usual arguye que la psique opera a través de la realización de operaciones simbólicas puramente formales, como una máquina de Turing. Ciertos estudiosos apuntaron que la tendencia cara el conexionismo era un fallo, en tanto que significaba una reversión cara el asociacionismo y el abandono de la idea de un lenguaje del pensamiento. Por contra estas tendencias hicieron que otros estudiosos fuesen atraídos cara el conexionismo.

El Conexionismo y la IA usual no tienen porqué ser excluyentes, mas el discute a fines de la década de mil novecientos ochenta y principios de la de mil novecientos noventa condujo a la oposición entre los 2 enfoques. A lo largo del discute, ciertos estudiosos han argumentado que el conexionismo y la IA usual son absolutamente compatibles, si bien no se ha alcanzado un acuerdo pleno sobre esta cuestión. Las diferencias entre los 2 enfoques más convocados son los siguientes:

En IA usual se proponen modelos simbólicos que no se semejan en nada a la estructura cerebral latente, al tiempo que en conexionismo se aborda un modelado de "bajo nivel", tratando de asegurar que los modelos se semejen a estructuras neurológicas.
La IA usual se centra en general en la estructura de símbolos explícitos (modelos mentales) y reglas sintácticas para su manipulación a nivel interno, al paso que los conexionistas se centran en el aprendizaje a través de estímulos procedentes del medio y en el almacenaje de esta información en forma de conexiones entre neuronas.
Los partidarios de la IA usual piensan que la actividad mental interna consiste en la manipulación de símbolos explícitos, al paso que los conexionistas piensan que la manipulación de símbolos explícitos es una representación muy pobre de la actividad mental.
Los partidarios de la IA usual de forma frecuente proponen subsistemas simbólicos de dominio concreto diseñados para respaldar el aprendizaje en áreas concretas del conocimiento (por servirnos de un ejemplo, lenguaje, intencionalidad, números), al paso que los conexionistas postulan uno o bien un pequeño conjunto de mecanismos de aprendizaje muy generales.

A pesar de estas diferencias, ciertos teóricos han propuesto que la arquitectura conexionista es sencillamente la manera en que el sistema de manipulación de símbolos es incorporado en el cerebro orgánico. Esto es lógico puesto que se sabe que los modelos conexionistas pueden incorporar sistemas de manipulación de símbolos del género de los empleados en los modelos de IA usual. En verdad, esto debe ser de este modo siendo uno de los propósitos de los sistemas conexionistas el explicar la capacidad humana para efectuar labores de manipulación de símbolos. La cuestión radica en si esta manipulación de símbolos es la base de la cognición normalmente. No obstante, las descripciones computacionales pueden ser útiles descripciones de la cognición de alto nivel, por servirnos de un ejemplo de la lógica.

El discute sobre si las redes conexionistas eran capaces de generar la estructura sintáctica observada en argumentos de tipo lógico fue tardío y el hecho de que los procedimientos usados eran muy poco probables en el cerebro hizo que la polémica persistiera. Hoy día los avances de la neurofisiología y de la entendimiento de las redes neuronales han llevado a la preparación de modelos que han tenido éxito en la superación de elevado número de aquellos primeros inconvenientes. Para los neurocientíficos la cuestión esencial sobre el conocimiento se ha inclinado en favor del conexionismo. No obstante, este desarrollo parcialmente reciente todavía no han alcanzado un acuerdo admisible entre aquellos que trabajan en otros campos, como la sicología o bien la filosofía de la psique.

Parte del atrayente de las descripciones de la IA usual se debe a que son parcialmente simples de interpretar, y por ende pueden ser vistas como una contribución a nuestra entendimiento de ciertos procesos mentales, al paso que los modelos conexionistas son por norma general más oscuros, en la medida de que solo se pueden describir en términos muy generales (detallando algoritmo de aprendizaje, número de unidades, etcétera), o bien en concepto de bajo nivel que complican la entendimiento de los procesos cognitivos. En este sentido, los modelos conexionistas pueden aportar datos para una teoría general del conocimiento (o sea, el conexionismo), sin que ello represente una teoría útil del proceso particular que esté siendo modelado. El discute podría considerarse en determinada medida un mero reflejo de las diferencias en el nivel de análisis en el que se enmarcan las teorías particulares.

La reciente popularidad de los sistemas activos en la filosofía de la psique (debido a las obras de autores como Tim van Gelder) ha añadido una nueva perspectiva al discute, ciertos autores arguyen ahora que cualquier división entre el conexionismo y la IA usual queda mejor caracterizada como una división entre la IA usual y los sistemas activos.

mas informacion