Enciclopedia/Diccionario de Psicología y Neurociencias:

ıllı Teoría hebbiana wiki: info, libros pdf y vídeos

  Teoría hebbiana 

---

La teoría Hebbiana describe un mecanismo básico de plasticidad sináptica en el que el valor de una conexión sináptica se acrecienta si las neuronas de los dos lados de dicha sinapsis se activan varias veces de forma simultánea. Introducida por Donald Hebb, en mil novecientos cuarenta y nueve, es asimismo llamada regla de Hebb, postulado de aprendizaje de Hebb o bien Teoría de la Reunión Celular, y asevera lo siguiente:

Imaginemos que la persistencia de una actividad repetitiva (o bien "señal") tiende a inducir cambios celulares perdurables que fomentan su estabilidad. ... Cuando el axón de una célula A está suficientemente cerca para estimular a una célula B y reiteradamente toma parte en la activación, ocurren procesos de desarrollo o bien cambios metabólicos en una o bien las dos células de forma que tanto la eficacia de la célula A, como la capacidad de excitación de la célula B son aumentadas.

La teoría se resume de manera frecuente como: "las células que se disparan juntas, continuarán conectadas", si bien esto es una simplificación del sistema inquieto no debe tomarse literalmente, como no representa con precisión la declaración original de Hebb sobre cambios de la fuerza de conectividad en las células. La teoría es generalmente evocada para explicar ciertos géneros de aprendizajes asociativos en los que la activación simultánea de las células conduce a un pronunciado incremento de la fuerza sináptica. Este aprendizaje se conoce como aprendizaje de Hebb.

La teoría de Hebb se hace cargo de de qué forma se conectan las neuronas formando engramas. Las teorías de Hebb sobre la manera y la función de la reunión celular se pueden comprender de la próxima manera:

"La idea es vieja, que 2 células o bien sistemas de células que están de manera continua activas al tiempo, tenderán a transformarse en 'asociadas', de forma que la actividad de una va a facilitar la de la otra." (Hebb, mil novecientos cuarenta y nueve, p. setenta)"En el momento en que una célula ayuda en reiteradas ocasiones a que otra se dispare, en el axón de la primera célula se desarrollan botones sinápticos (o bien se amplían si ya existen) en contacto con el soma de la segunda célula." (Hebb, mil novecientos cuarenta y nueve, p. sesenta y tres)

Gordon Allport ha propuesto nuevas ideas sobre la teoría de la Reunión celular y su papel en la capacitación de los engramas, en el sentido del término de auto-asociación, que se describe como sigue:

"Si las entradas a un sistema generan exactamente el mismo patrón de actividad reiteradamente, el conjunto de elementos activos que forman ese modelo van a llegar a tener una interasociación más fuerte. Esto es, cada elemento tenderá a activar a otros elementos y (con pesos negativos) a inactivar a los elementos que no formen una parte del patrón. En otras palabras, el patrón en conjunto se transformará en 'auto-asociado'. Se puede decir que un aprendizaje (auto-asociado) es un patrón de engrama." (Hebb, mil novecientos cuarenta y nueve, p. cuarenta y cuatro)

La teoría hebbiana ha sido la base primordial de la visión usual de que los engramas son redes neuronales cuando se examinan desde un nivel holístico.

Los trabajos de laboratorio de Eric Kandel han aportado pruebas de la participación de mecanismos de aprendizaje hebbiano en las sinapsis del gasterópodo marino Aplysia californica

Los ensayos sobre los mecanismos hebbianos de modificación en las sinapsis del sistema nervioso de vertebrados son considerablemente más bastante difíciles de supervisar que los ensayos con las sinapsis del parcialmente simple sistema inquieto periférico estudiadas en invertebrados marinos. Una gran parte del trabajo sobre cambios sinápticos de larga duración en neuronas de vertebrados (como la potenciación en un largo plazo) implican el empleo de estimulación experimental no fisiológica de células cerebrales. No obstante, ciertos mecanismos fisiológicamente relevantes de modificación sináptica que se han estudiado en cerebros de vertebrados semejan ser ejemplos de procesos hebbianos. Una estudio resultado de estos ensayos señala que los cambios en un largo plazo en la fuerza de las sinapsis pueden ser inducidos por actividad sináptica fisiológicamente relevante que trabaja tanto mediante mecanismos hebbianos como no hebbianos.

Desde el punto de vista de las neuronas artificiales y redes neuronales artificiales, el principio de Hebb se puede describir como un procedimiento de determinar la manera de alterar los pesos entre modelos de neuronas. El peso entre 2 neuronas se acrecienta si las 2 neuronas se activan simultáneamente y se reduce si se activan separadamente. Los nodos que tienden a ser positivos o bien negativos al tiempo tienen fuertes pesos positivos, al paso que aquellos que tienden a ser contrarios tienen fuertes pesos negativos.

Este original principio es tal vez la manera más simple de selección de pesos. Aunque esto quiere decir que puede ser parcialmente simple de codificar en un programa informático y se utilize para actualizar los pesos pertinentes de una red de neuronas, asimismo limita el número de aplicaciones de aprendizaje hebbiano. En nuestros días, el término aprendizaje hebbiano generalmente se refiere a algún género de abstracción matemática del principio original propuesto por Hebb. En este sentido, el aprendizaje hebbiano implica que los pesos sean ajustados de forma que cada uno de ellos de ellos represente la mejor relación posible entre los nodos. Como tal, muchos métodos de aprendizaje de la naturaleza pueden ser consideradas como hebbianos.

La siguiente es una formulación matemática del aprendizaje hebbiano: (nótese que otras muchas descripciones son posibles)

wij=xixj

donde wij es el peso de la conexión de la neuronaj a la neurona i y xi el valor de entrada para la neurona i. Hay que tomar en consideración que este es el modelo de aprendizaje (pesos actualizados tras cada ejemplo de adiestramiento). En una Red de Hopfield las conexiones wij se ponen a cero si i=j (no se dejan conexiones reflexivas).Con neuronas binarias (valores de activación de 0 o 1) las conexiones se establecen a 1 si las neuronas conectadas tienen exactamente el mismo patrón de activación.

Otra formulación matemática es:

wij=1n?k=1pxikxjk ,

donde wij es el peso de la conexión de la neurona j a la neurona i, n es la dimensión del vector de entrada, p el número de patrones de aprendizaje, y xik la entrada número k para la neurona i. Es un aprendizaje por temporadas (los pesos se actualizan una vez que todos y cada uno de los ejemplos de capacitación se han presentado). Nuevamente en las redes Hopfield las conexiones wij se ponen a cero si i=j (conexiones no reflexivas).

Una alteración del aprendizaje hebbiano que toma en cuenta fenómenos como el bloqueo de los nervios y de otros muchos fenómenos de aprendizaje es el modelo matemático de Harry Klopf. El modelo de Klopf reproduce gran cantidad de fenómenos biológicos, y asimismo es simple de aplicar.

La regla de Hebb se generaliza a menudo como:

?wi=?xiy,

o el cambio en el peso wi de la sinapsis número i es igual a la tasa de aprendizaje ? por la entrada número ixi por la contestación postsináptica y. Con frecuencia se cita el caso de una neurona lineal,

y=?jwjxj,

la simplificación de la sección precedente tiene presente que tanto la tasa de aprendizaje como los pesos de entrada sean 1. Esta versión de la regla es meridianamente inestable, como en cualquier red con una señal dominante los pesos van a aumentar o bien reducirán exponencialmente. No obstante, se puede ver que para cualquier modelo de neurona, la regla de Hebb es inestable. Con lo que los modelos de redes de neuronas acostumbran a emplear otras teorías de aprendizaje, como la teoría BCM, la regla de Oja, o bien el algoritmo hebbiano extendido.

---

• Anterior
• Siguiente