Hispanopedia Wiki
Articulo de referencia

Conexionismo

Un modelo conexionista de "segunda ola" (ANN) con una capa oculta El conexionismo es un enfoque para el estudio de los procesos mentales humanos y la cognición que utiliza model...

Hispanopedia WikiContenido en espanolLectura gratuita
Escucha este artículo
Un modelo conexionista de "segunda ola" (ANN) con una capa oculta

El conexionismo es un enfoque para el estudio de los procesos mentales humanos y la cognición que utiliza modelos matemáticos conocidos como redes conexionistas o redes neuronales artificiales . [ 1 ]

El conexionismo ha tenido muchas "olas" desde sus inicios. La primera ola apareció en 1943 con Warren Sturgis McCulloch y Walter Pitts, quienes se centraron en comprender los circuitos neuronales a través de un enfoque formal y matemático, [ 2 ] y Frank Rosenblatt, quien publicó el artículo de 1958 "El perceptrón: un modelo probabilístico para el almacenamiento y la organización de la información en el cerebro" en Psychological Review , mientras trabajaba en el Laboratorio Aeronáutico de Cornell. [ 3 ] La primera ola terminó con el libro de 1969 Perceptrones sobre las limitaciones de la idea original del perceptrón, escrito por Marvin Minsky y Seymour Papert , que contribuyó a desalentar a las principales agencias de financiación en los EE. UU. de invertir en investigación conexionista. [ 4 ] Con algunas desviaciones notables, la mayor parte de la investigación conexionista entró en un período de inactividad hasta mediados de la década de 1980. El término modelo conexionista fue reintroducido en un artículo de 1982 en la revista Cognitive Science por Jerome Feldman y Dana Ballard.

La segunda ola floreció a finales de la década de 1980, tras un libro de 1987 Procesamiento distribuido paralelo de James L. McClelland , David E. Rumelhart , et al., que introdujo un par de mejoras a la idea simple del perceptrón, como procesadores intermedios (ahora conocidos como " capas ocultas ") junto con unidades de entrada y salida, y utilizó una función de activación sigmoide en lugar de la antigua función "todo o nada". Su trabajo se basó en el de John Hopfield , quien fue una figura clave en la investigación de las características matemáticas de las funciones de activación sigmoide. [ 3 ] Desde finales de la década de 1980 hasta mediados de la década de 1990, el conexionismo adquirió un tono casi revolucionario cuando Schneider, [ 5 ] Terence Horgan y Tienson plantearon la cuestión de si el conexionismo representaba un cambio fundamental en la psicología y la llamada "buena IA de toda la vida", o GOFAI . [ 3 ] Algunas ventajas del enfoque conexionista de segunda ola incluían su aplicabilidad a una amplia gama de funciones, aproximación estructural a las neuronas biológicas, bajos requisitos de estructura innata y capacidad de degradación gradual . [ 6 ] Sus desventajas incluían la dificultad de descifrar cómo las ANN procesan la información o explican la composicionalidad de las representaciones mentales, y la consiguiente dificultad para explicar fenómenos a un nivel superior. [ 7 ]

La ola actual (tercera) se ha caracterizado por avances en el aprendizaje profundo , que han posibilitado la creación de grandes modelos de lenguaje . [ 3 ] El éxito de las redes de aprendizaje profundo en la última década ha aumentado considerablemente la popularidad de este enfoque, pero la complejidad y la escala de dichas redes han generado mayores problemas de interpretabilidad . [ 8 ]

Principio básico

El principio central del conexionismo es que los fenómenos mentales pueden describirse mediante redes interconectadas de unidades simples y a menudo uniformes. La forma de las conexiones y las unidades puede variar de un modelo a otro. Por ejemplo, las unidades de la red podrían representar neuronas y las conexiones, sinapsis , como en el cerebro humano . Este principio se ha considerado una alternativa a GOFAI y a las teorías clásicas de la mente basadas en la computación simbólica, pero el grado de compatibilidad entre ambos enfoques ha sido objeto de mucho debate desde su surgimiento. [ 8 ]

Función de activación

Los estados internos de cualquier red cambian con el tiempo debido a que las neuronas envían una señal a una capa de neuronas subsiguiente en el caso de una red de propagación directa, o a una capa anterior en el caso de una red recurrente. El descubrimiento de las funciones de activación no lineales ha propiciado la segunda ola del conexionismo.

Memoria y aprendizaje

Las redes neuronales siguen dos principios básicos:

  1. Cualquier estado mental puede describirse como un vector n -dimensional de valores de activación numéricos sobre las unidades neuronales en una red.
  2. La memoria y el aprendizaje se crean modificando los "pesos" de las conexiones entre unidades neuronales, generalmente representadas como una matriz n × m . Los pesos se ajustan según alguna regla o algoritmo de aprendizaje, como el aprendizaje hebbiano . [ 9 ]

La mayor parte de la variedad entre los modelos proviene de:

  • Interpretación de las unidades : Las unidades pueden interpretarse como neuronas o grupos de neuronas.
  • Definición de activación : La activación puede definirse de diversas maneras. Por ejemplo, en una máquina de Boltzmann , la activación se interpreta como la probabilidad de generar un potencial de acción y se determina mediante una función logística sobre la suma de las entradas a una unidad.
  • Algoritmo de aprendizaje : Las distintas redes modifican sus conexiones de forma diferente. En general, cualquier cambio en los pesos de las conexiones, definido matemáticamente a lo largo del tiempo, se denomina "algoritmo de aprendizaje".

Realismo biológico

El trabajo conexionista en general no necesita ser biológicamente realista. [ 10 ] [ 11 ] [ 12 ] [ 13 ] [ 14 ] [ 15 ] [ 16 ] Un área donde se piensa que los modelos conexionistas son biológicamente implausibles es con respecto a las redes de propagación de errores que se necesitan para apoyar el aprendizaje, [ 17 ] [ 18 ] pero la propagación de errores puede explicar parte de la actividad eléctrica generada biológicamente que se ve en el cuero cabelludo en potenciales relacionados con eventos como el N400 y el P600 , [ 19 ] y esto proporciona cierto apoyo biológico para una de las suposiciones clave de los procedimientos de aprendizaje conexionistas. Muchos modelos conexionistas recurrentes también incorporan la teoría de sistemas dinámicos . Muchos investigadores, como el conexionista Paul Smolensky , han argumentado que los modelos conexionistas evolucionarán hacia enfoques de sistemas dinámicos no lineales , de alta dimensión y totalmente continuos .

Precursores

Los precursores de los principios conexionistas se remontan a los primeros trabajos en psicología , como los de William James . [ 20 ] Las teorías psicológicas basadas en el conocimiento del cerebro humano estuvieron de moda a finales del siglo XIX. Ya en 1869, el neurólogo John Hughlings Jackson defendió la existencia de sistemas distribuidos de múltiples niveles. Siguiendo esta línea, la tercera edición de * Principios de Psicología* de Herbert Spencer (1872) y * Proyecto de una Psicología Científica * de Sigmund Freud (1895) propusieron teorías conexionistas o protoconexionistas. Estas tendían a ser teorías especulativas. Pero a principios del siglo XX, Edward Thorndike escribió sobre el aprendizaje humano , postulando una red de tipo conexionista. [ 21 ]

Las redes de Hopfield tuvieron precursores en el modelo de Ising gracias a Wilhelm Lenz (1920) y Ernst Ising (1925), aunque el modelo de Ising concebido por ellos no incluía el tiempo. Las simulaciones de Monte Carlo del modelo de Ising requirieron la llegada de las computadoras en la década de 1950. [ 22 ]

La primera ola

La primera oleada comenzó en 1943 con Warren Sturgis McCulloch y Walter Pitts, quienes se centraron en comprender los circuitos neuronales mediante un enfoque formal y matemático. McCulloch y Pitts demostraron cómo los sistemas neuronales podían implementar la lógica de primer orden : su artículo clásico "Un cálculo lógico de ideas inmanentes en la actividad nerviosa" (1943) es importante en este desarrollo. Estuvieron influenciados por el trabajo de Nicolas Rashevsky en la década de 1930 y la lógica simbólica al estilo de Principia Mathematica . [ 2 ] [ 3 ]

Hebb contribuyó enormemente a las especulaciones sobre el funcionamiento neuronal y propuso un principio de aprendizaje, el aprendizaje hebbiano . Lashley defendió las representaciones distribuidas como resultado de su fracaso en encontrar algo parecido a un engrama localizado en años de experimentos con lesiones . Friedrich Hayek concibió el modelo de forma independiente, primero en un breve manuscrito inédito en 1920, [ 23 ] [ 24 ] y luego lo amplió en un libro en 1952. [ 25 ]

Las máquinas Perceptrón fueron propuestas y construidas por Frank Rosenblatt , quien publicó en 1958 el artículo «El Perceptrón: Un Modelo Probabilístico para el Almacenamiento y la Organización de la Información en el Cerebro» en la revista Psychological Review , mientras trabajaba en el Laboratorio Aeronáutico de Cornell. Citó a Hebb, Hayek, Uttley y Ashby como sus principales influencias.

Otra forma de modelo conexionista fue el marco de red relacional desarrollado por el lingüista Sydney Lamb en la década de 1960.

El grupo de investigación liderado por Widrow buscó empíricamente métodos para entrenar redes ADALINE de dos capas (MADALINE), con un éxito limitado. [ 26 ] [ 27 ]

Alexey Grigorevich Ivakhnenko y Valentin Lapa publicaron en 1965 un método para entrenar perceptrones multicapa con niveles arbitrarios de pesos entrenables, denominado Método de Grupo para el Manejo de Datos . Este método emplea un entrenamiento incremental capa por capa basado en análisis de regresión , donde las unidades inútiles en las capas ocultas se eliminan con la ayuda de un conjunto de validación. [ 28 ] [ 29 ] [ 30 ]

Los primeros perceptrones multicapa entrenados mediante descenso de gradiente estocástico [ 31 ] fueron publicados en 1967 por Shun'ichi Amari . [ 32 ] En experimentos computacionales realizados por el estudiante de Amari, Saito, un MLP de cinco capas con dos capas modificables aprendió representaciones internas útiles para clasificar clases de patrones no linealmente separables. [ 29 ]

En 1972, Shun'ichi Amari produjo un ejemplo temprano de red autoorganizada . [ 33 ]

El invierno de la red neuronal

Existía cierta controversia entre los investigadores de inteligencia artificial sobre la utilidad de las redes neuronales. A finales de la década de 1960, se produjo un periodo de estancamiento generalizado en la investigación y las publicaciones sobre redes neuronales, conocido como el «invierno de las redes neuronales», que se prolongó durante la década de 1970, periodo en el que el campo de la inteligencia artificial se orientó hacia los métodos simbólicos . La publicación de Perceptrones (1969) se considera generalmente un catalizador de este fenómeno. [ 34 ] [ 35 ]

La segunda ola

La segunda ola comenzó a principios de la década de 1980. Algunas publicaciones clave incluyeron ( John Hopfield , 1982) [ 36 ] que popularizó las redes de Hopfield , el artículo de 1986 que popularizó la retropropagación, [ 37 ] y el libro de dos volúmenes de 1987 sobre el Procesamiento Distribuido Paralelo (PDP) de James L. McClelland , David E. Rumelhart et al., que introdujo un par de mejoras a la idea simple del perceptrón, como procesadores intermedios (conocidos ahora como " capas ocultas ") junto con unidades de entrada y salida y el uso de la función de activación sigmoide en lugar de la antigua función "todo o nada".

Hopfield abordó el campo desde la perspectiva de la mecánica estadística, proporcionando algunas formas tempranas de rigor matemático que aumentaron la respetabilidad percibida del campo. [ 3 ] Otra serie importante de publicaciones demostró que las redes neuronales son aproximadores de funciones universales , lo que también proporcionó cierta respetabilidad matemática. [ 38 ]

Algunos proyectos de demostración populares aparecieron durante este tiempo. NETtalk (1987) aprendió a pronunciar el inglés escrito. Alcanzó un éxito popular, apareciendo en el programa Today . [ 39 ] TD-Gammon (1992) alcanzó el máximo nivel humano en backgammon . [ 40 ]

Debate entre conexionismo y computacionalismo

A medida que el conexionismo ganaba popularidad a finales de la década de 1980, algunos investigadores (entre ellos Jerry Fodor , Steven Pinker y otros) reaccionaron en su contra. Argumentaban que el conexionismo, en su desarrollo inicial, amenazaba con aniquilar lo que consideraban el progreso alcanzado en los campos de la ciencia cognitiva y la psicología por el enfoque clásico del computacionalismo . El computacionalismo es una forma específica de cognitivismo que sostiene que la actividad mental es computacional ; es decir, que la mente opera realizando operaciones puramente formales sobre símbolos, como una máquina de Turing . Algunos investigadores argumentaban que la tendencia del conexionismo representaba un retroceso hacia el asociacionismo y el abandono de la idea de un lenguaje del pensamiento , algo que consideraban erróneo. Por el contrario, esas mismas tendencias hicieron que el conexionismo resultara atractivo para otros investigadores.

El conexionismo y el computacionalismo no tienen por qué ser incompatibles, pero el debate de finales de los años 80 y principios de los 90 generó oposición entre ambos enfoques. A lo largo del debate, algunos investigadores han argumentado que el conexionismo y el computacionalismo son totalmente compatibles, aunque aún no se ha alcanzado un consenso completo al respecto. Las diferencias entre ambos enfoques incluyen las siguientes:

A pesar de estas diferencias, algunos teóricos han propuesto que la arquitectura conexionista es simplemente la manera en que los cerebros orgánicos implementan el sistema de manipulación de símbolos. Esto es lógicamente posible, ya que es bien sabido que los modelos conexionistas pueden implementar sistemas de manipulación de símbolos del tipo utilizado en los modelos computacionalistas, [ 41 ] como de hecho deben ser capaces si pretenden explicar la capacidad humana para realizar tareas de manipulación de símbolos. Se han propuesto varios modelos cognitivos que combinan arquitecturas tanto manipuladoras de símbolos como conexionistas. Entre ellos se encuentran la Arquitectura Cognitiva Integrada Conexionista/Simbólica (ICS) de Paul Smolensky . [ 8 ] [ 42 ] y CLARION (arquitectura cognitiva) de Ron Sun. Pero el debate se centra en si esta manipulación de símbolos constituye la base de la cognición en general, por lo que esto no representa una posible justificación del computacionalismo. No obstante, las descripciones computacionales pueden ser útiles como descripciones de alto nivel de la cognición de la lógica, por ejemplo.

El debate se centró principalmente en argumentos lógicos sobre si las redes conexionistas podían producir la estructura sintáctica observada en este tipo de razonamiento. Esto se logró posteriormente, aunque utilizando capacidades de vinculación de variables rápidas distintas a las que se asumen habitualmente en los modelos conexionistas. [ 41 ] [ 43 ]

Parte del atractivo de las descripciones computacionales radica en su relativa facilidad de interpretación, lo que permite considerarlas como una contribución a nuestra comprensión de procesos mentales específicos. En cambio, los modelos conexionistas son, en general, más opacos, hasta el punto de que solo pueden describirse en términos muy generales (como la especificación del algoritmo de aprendizaje, el número de unidades, etc.) o en términos de bajo nivel poco útiles. En este sentido, los modelos conexionistas pueden ejemplificar, y por lo tanto proporcionar evidencia para, una teoría amplia de la cognición (es decir, el conexionismo), sin representar una teoría útil del proceso particular que se está modelando. En este sentido, el debate podría considerarse, en cierta medida, como un mero reflejo de la diferencia en el nivel de análisis en el que se enmarcan las teorías particulares. Algunos investigadores sugieren que esta brecha en el análisis es consecuencia de que los mecanismos conexionistas dan lugar a fenómenos emergentes que pueden describirse en términos computacionales. [ 44 ]

En la década de 2000, la popularidad de los sistemas dinámicos en la filosofía de la mente ha añadido una nueva perspectiva al debate; [ 45 ] [ 46 ] algunos autores ahora argumentan que cualquier división entre conexionismo y computacionalismo se caracteriza de manera más concluyente como una división entre computacionalismo y sistemas dinámicos .

En 2014, Alex Graves y otros investigadores de DeepMind publicaron una serie de artículos que describían una novedosa estructura de red neuronal profunda denominada Máquina de Turing Neuronal [ 47 ] , capaz de leer símbolos grabados en cinta y almacenarlos en memoria. Las Redes Relacionales, otro módulo de redes neuronales profundas publicado por DeepMind, pueden crear representaciones similares a objetos y manipularlas para responder preguntas complejas. Las Redes Relacionales y las Máquinas de Turing Neuronales constituyen una prueba más de que el conexionismo y el computacionalismo no tienen por qué ser incompatibles.

Debate entre simbolismo y conexionismo

El paradigma subsimbólico de Smolensky [ 48 ] [ 49 ] debe responder al desafío de Fodor-Pylyshyn [ 50 ] [ 51 ] [ 52 ] [ 53 ] formulado por la teoría simbólica clásica para una teoría convincente de la cognición en el conexionismo moderno. Para ser una teoría alternativa adecuada de la cognición, el paradigma subsimbólico de Smolensky tendría que explicar la existencia de sistematicidad o relaciones sistemáticas en la cognición del lenguaje sin asumir que los procesos cognitivos son causalmente sensibles a la estructura constituyente clásica de las representaciones mentales. El paradigma subsimbólico, o el conexionismo en general, tendría que explicar la existencia de sistematicidad y composicionalidad sin depender de la mera implementación de una arquitectura cognitiva clásica. Este desafío implica un dilema: si el paradigma subsimbólico no pudiera aportar nada a la sistematicidad y composicionalidad de las representaciones mentales, sería insuficiente como base para una teoría alternativa de la cognición. Sin embargo, si la contribución del Paradigma Subsimbólico a la sistematicidad requiere procesos mentales basados ​​en la estructura constituyente clásica de las representaciones mentales, la teoría de la cognición que desarrolla sería, en el mejor de los casos, una arquitectura de implementación del modelo clásico de la teoría de símbolos y, por lo tanto, no una teoría de la cognición genuinamente alternativa (conexionista). [ 54 ] El modelo clásico del simbolismo se caracteriza por (1) una sintaxis y semántica combinatoria de las representaciones mentales y (2) operaciones mentales como procesos sensibles a la estructura, basados ​​en el principio fundamental de la estructura constituyente sintáctica y semántica de las representaciones mentales tal como se utiliza en el "Lenguaje del Pensamiento (LOT)" de Fodor. [ 55 ] [ 56 ] Esto puede usarse para explicar las siguientes propiedades estrechamente relacionadas de la cognición humana, a saber, su (1) productividad, (2) sistematicidad, (3) composicionalidad y (4) coherencia inferencial. [ 57 ]

Este desafío se ha abordado en el conexionismo moderno, por ejemplo, no solo por la "Arquitectura Cognitiva Conexionista/Simbólica Integrada (ICS)" de Smolensky, [ 58 ] [ 59 ] sino también por las "Redes Oscilantes" de Werning y Maye. [ 60 ] [ 61 ] [ 62 ] Bechtel y Abrahamsen, [ 63 ] Marcus [ 64 ] y Maurer, [ 65 ] ofrecen una visión general de esto .

Recientemente, Heng Zhang y sus colegas demostraron que los formalismos de representación del conocimiento convencionales son, de hecho, isomorfos recursivamente, siempre que posean un poder expresivo equivalente. [ 66 ] Este hallazgo implica que no existe una distinción fundamental entre el uso de formalismos de representación del conocimiento simbólicos o conexionistas para la realización de la inteligencia artificial general (IAG). Además, la existencia de isomorfismos recursivos sugiere que diferentes enfoques técnicos pueden enriquecerse mutuamente.

Véase también

Notas

  1. ↑ "Enciclopedia de Filosofía en Internet" . iep.utm.edu . Consultado el 19 de agosto de 2023 .
  2. 1 2 McCulloch, Warren S.; Pitts, Walter (1943-12-01). "Un cálculo lógico de las ideas inmanentes en la actividad nerviosa" . The Bulletin of Mathematical Biophysics . 5 (4): 115– 133. doi : 10.1007/BF02478259 . ISSN 1522-9602 . 
  3. 1 2 3 4 5 6 Berkeley, Istvan SN (2019). "El curioso caso del conexionismo" . Open Philosophy . 2019 (2): 190– 205. doi : 10.1515/opphil-2019-0018 . S2CID 201061823 . 
  4. ↑ Boden, Margaret (2006). La mente como máquina: una historia de la ciencia cognitiva . Oxford: Oxford UP, pág. 914. ISBN  978-0-262-63268-3.
  5. ↑ Schneider, Walter (1987). "Conexionismo: ¿Es un cambio de paradigma para la psicología?" . Behavior Research Methods, Instruments, & Computers . 19 : 73–83 . doi : 10.1515/opphil-2019-0018 . S2CID 201061823 . 
  6. ↑ Marcus, Gary F. (2001). La mente algebraica: Integrando el conexionismo y la ciencia cognitiva (aprendizaje, desarrollo y cambio conceptual) . Cambridge, Massachusetts: MIT Press. pp. 27-28 . ISBN  978-0-262-63268-3.
  7. ↑ Smolensky, Paul (1999). "Enfoques conexionistas basados ​​en la gramática para el lenguaje" . Cognitive Science . 23 (4): 589– 613. doi : 10.1207/s15516709cog2304_9 .
  8. 1 2 3 Garson, James (27 de noviembre de 2018). Zalta, Edward N. (ed.). La Enciclopedia de Filosofía de Stanford . Laboratorio de Investigación en Metafísica, Universidad de Stanford – vía Enciclopedia de Filosofía de Stanford.
  9. ↑ Novo, María Luisa; Alsina, Ángel; Marbán, José-María; Berciano, Ainhoa ​​(2017). «Inteligencia Conectiva para la Educación Matemática Infantil» . Comunicar (en español). 25 (52): 29– 39. doi : 10.3916/c52-2017-03 . hdl : 10272/14085 . ISSN 1134-3478 . 
  10. ↑ "Revista Encephalos" . www.encephalos.gr . Consultado el 20 de febrero de 2018 .
  11. ↑ Wilson, Elizabeth A. (4 de febrero de 2016). Neural Geographies: Feminism and the Microstructure of Cognition . Routledge. ISBN 978-1-317-95876-5.
  12. ↑ Di Paolo, EA (1 de enero de 2003). "Robótica de inspiración orgánica: adaptación homeostática y teleología más allá del bucle sensoriomotor cerrado" (PDF) . Enfoque de sistemas dinámicos para la encarnación y la sociabilidad, Advanced Knowledge International . Universidad de Sussex . S2CID 15349751. Recuperado el 29 de diciembre de 2023 . 
  13. ↑ Zorzi, Marco; Testolin, Alberto; Stoianov, Ivilin P. (2013-08-20). "Modelado del lenguaje y la cognición con aprendizaje profundo no supervisado: una descripción general tutorial" . Frontiers in Psychology . 4 : 515. doi : 10.3389/fpsyg.2013.00515 . ISSN 1664-1078 . PMC 3747356. PMID 23970869 .   
  14. ↑ Tieszen, R. (2011). "Filosofía analítica y continental, ciencia y filosofía global" . Filosofía comparada . 2 (2): 4– 22. doi : 10.31979/2151-6014(2011).020206 . Consultado el 29 de diciembre de 2023 .
  15. ↑ Browne, A. (1997-01-01). Perspectivas de las redes neuronales sobre la cognición y la robótica adaptativa . CRC Press. ISBN 978-0-7503-0455-9.
  16. ^ Pfeifer, R.; Schreter, Z.; Fogelman-Soulié, F.; Aceros, L. (23 de agosto de 1989). Conexionismo en perspectiva . Elsevier. ISBN 978-0-444-59876-9.
  17. ↑ Crick, Francis (enero de 1989). "El reciente entusiasmo por las redes neuronales". Nature . 337 ( 6203): 129– 132. Bibcode : 1989Natur.337..129C . doi : 10.1038/337129a0 . ISSN 1476-4687 . PMID 2911347. S2CID 5892527 .   
  18. ↑ Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. (octubre de 1986). "Aprendizaje de representaciones mediante la retropropagación de errores". Nature . 323 (6088): 533– 536. Bibcode : 1986Natur.323..533R . doi : 10.1038/323533a0 . ISSN 1476-4687 . S2CID 205001834 .  
  19. ↑ Fitz, Hartmut; Chang, Franklin (2019-06-01). "Los ERP del lenguaje reflejan el aprendizaje a través de la propagación del error de predicción". Psicología Cognitiva . 111 : 15–52 . doi : 10.1016/j.cogpsych.2019.03.002 . hdl : 21.11116/0000-0003-474F-6 . ISSN 0010-0285 . PMID 30921626. S2CID 85501792 .   
  20. ↑ Anderson, James A.; Rosenfeld, Edward (1989). «Capítulo 1: (1890) Psicología de William James (Curso breve) ». Neurocomputación: Fundamentos de la investigación . Un libro de Bradford. pág. 1. ISBN  978-0-262-51048-6.
  21. ↑ Edward Thorndike (1931) El aprendizaje humano , página 122
  22. ↑ Brush, Stephen G. (1967). "Historia del modelo de Lenz-Ising". Reviews of Modern Physics . 39 (4): 883– 893. Bibcode : 1967RvMP...39..883B . doi : 10.1103/RevModPhys.39.883 .
  23. ↑ Hayek, Friedrich A. [1920] 1991. Beiträge zur Theorie der Entwicklung des Bewusstseins [Contribuciones a una teoría sobre cómo se desarrolla la conciencia]. Manuscrito, traducido por Grete Heinz.
  24. ↑ Caldwell, Bruce (2004). "Algunas reflexiones sobre El orden sensorial de F.A. Hayek" . Journal of Bioeconomics . 6 (3): 239– 254. doi : 10.1007/s10818-004-5505-9 . ISSN 1387-6996 . S2CID 144437624 .  
  25. ↑ Hayek, FA (15 de septiembre de 2012). El orden sensorial: una investigación sobre los fundamentos de la psicología teórica (1.ª ed.). The University of Chicago Press. 
  26. ↑ págs. 124-129, Olazaran Rodríguez, José Miguel. Una sociología histórica de la investigación en redes neuronales . Tesis doctoral. Universidad de Edimburgo, 1991.
  27. ↑ Widrow, B. (1962) Generalización y almacenamiento de información en redes de "neuronas" ADALINE . En MC Yovits, GT Jacobi y GD Goldstein (Eds.), Sistemas autoorganizados-1962 (pp. 435-461). Washington, DC: Spartan Books.
  28. ↑ Ivakhnenko, AG; Grigorʹevich Lapa, Valentin (1967). Cibernética y técnicas de pronóstico . American Elsevier Pub. Co.
  29. 1 2 Schmidhuber, Jürgen (2022). "Historia anotada de la IA moderna y el aprendizaje profundo". arXiv : 2212.11279 [ cs.NE ].
  30. ↑ Ivakhnenko, AG (1973). Dispositivos de predicción cibernética . CCM Information Corporation.
  31. ↑ Robbins, H. ; Monro, S. (1951). "Un método de aproximación estocástica" . The Annals of Mathematical Statistics . 22 (3): 400. doi : 10.1214/aoms/1177729586 .
  32. ↑ Amari, Shun'ichi (1967). "Una teoría del clasificador de patrones adaptativo". IEEE Transactions . EC (16): 279– 307.
  33. ↑ Amari, S.-I. (noviembre de 1972). "Aprendizaje de patrones y secuencias de patrones mediante redes autoorganizadas de elementos umbral". IEEE Transactions on Computers . C-21 (11): 1197– 1206. doi : 10.1109/TC.1972.223477 . ISSN 0018-9340 . 
  34. ↑ Olazaran, Mikel (1993-01-01), "Una historia sociológica de la controversia de las redes neuronales" , en Yovits, Marshall C. (ed.), Advances in Computers Volumen 37 , vol. 37, Elsevier, pp. 335–425 , doi : 10.1016/S0065-2458(08)60408-8 , ISBN   978-0-12-012137-3, consultado el 7 de agosto de 2024
  35. ↑ Olazaran, Mikel (agosto de 1996). "Un estudio sociológico de la historia oficial de la controversia de los perceptrones" . Estudios sociales de la ciencia . 26 (3): 611– 659. doi : 10.1177/030631296026003005 . ISSN 0306-3127 . 
  36. ↑ Hopfield, JJ (abril de 1982). "Redes neuronales y sistemas físicos con capacidades computacionales colectivas emergentes" . Actas de la Academia Nacional de Ciencias . 79 ( 8): 2554– 2558. Bibcode : 1982PNAS...79.2554H . doi : 10.1073/pnas.79.8.2554 . ISSN 0027-8424 . PMC 346238. PMID 6953413 .   
  37. ↑ Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. (octubre de 1986). "Aprendizaje de representaciones mediante la retropropagación de errores" . Nature . 323 (6088): 533– 536. Bibcode : 1986Natur.323..533R . doi : 10.1038/323533a0 . ISSN 1476-4687 . 
  38. ↑ Cybenko, G. (1989-12-01). "Aproximación mediante superposiciones de una función sigmoidal" . Matemáticas del control, señales y sistemas . 2 (4): 303– 314. Bibcode : 1989MCSS....2..303C . doi : 10.1007/BF02551274 . ISSN 1435-568X . 
  39. ↑ Sejnowski, Terrence J. (2018). La revolución del aprendizaje profundo . Cambridge, Massachusetts Londres, Inglaterra: The MIT Press. ISBN 978-0-262-03803-4.
  40. ↑ Sammut, Claude; Webb, Geoffrey I., eds. (2010), "TD-Gammon" , Enciclopedia del aprendizaje automático , Boston, MA: Springer US, pp. 955–956 , doi : 10.1007/978-0-387-30164-8_813 , ISBN  978-0-387-30164-8, consultado el 25/12/2023
  41. 1 2 Chang, Franklin (2002). "Hablando simbólicamente: un modelo conexionista de producción de oraciones" . Cognitive Science . 26 (5): 609– 651. doi : 10.1207/s15516709cog2605_3 . ISSN 1551-6709 . 
  42. ↑ Smolensky, Paul (1990). "Vínculo de variables de producto tensorial y la representación de estructuras simbólicas en sistemas conexionistas" (PDF) . Inteligencia artificial . 46 ( 1–2 ): 159–216 . doi : 10.1016/0004-3702(90)90007-M .
  43. ↑ Shastri, Lokendra; Ajjanagadde, Venkat (septiembre de 1993). "De las asociaciones simples al razonamiento sistemático: una representación conexionista de reglas, variables y vínculos dinámicos mediante la sincronía temporal". Behavioral and Brain Sciences . 16 (3): 417– 451. doi : 10.1017/S0140525X00030910 . ISSN 1469-1825 . S2CID 14973656 .  
  44. ↑ Ellis, Nick C. (1998). "Emergentismo, conexionismo y aprendizaje de idiomas" (PDF) . Language Learning . 48 (4): 631– 664. doi : 10.1111/0023-8333.00063 .
  45. ↑ Van Gelder, Tim (1998), "La hipótesis dinámica en la ciencia cognitiva" , Behavioral and Brain Sciences , 21 (5): 615–28 , discusión 629–65, doi : 10.1017/S0140525X98001733 , PMID 10097022 , consultado el 28 de mayo de 2022 
  46. ↑ Beer, Randall D. (marzo de 2000). "Enfoques dinámicos de la ciencia cognitiva". Trends in Cognitive Sciences . 4 (3): 91– 99. doi : 10.1016/s1364-6613(99)01440-0 . ISSN 1364-6613 . PMID 10689343. S2CID 16515284 .   
  47. ↑ Graves, Alex (2014). "Máquinas de Turing neuronales". arXiv : 1410.5401 [ cs.NE ].
  48. ↑ P. Smolensky: Sobre el tratamiento adecuado del conexionismo. En: Behavioral and Brain Sciences. Vol. 11, 1988, págs. 1-74.
  49. ↑ P. Smolensky: La estructura constituyente de los estados mentales conexionistas: una respuesta a Fodor y Pylyshyn. En: T. Horgan, J. Tienson (eds.): Conferencia Spindel 1987: Conexionismo y filosofía de la mente. The Southern Journal of Philosophy. Número especial sobre conexionismo y los fundamentos de la ciencia cognitiva. Suplemento. Volumen 26, 1988, págs. 137-161.
  50. ↑ Fodor, Jerry A.; Pylyshyn, Zenon W. (marzo de 1988). "Conexionismo y arquitectura cognitiva: un análisis crítico". Cognition . 28 ( 1–2 ): 3–71 . doi : 10.1016/0010-0277(88)90031-5 . PMID 2450716 . 
  51. ↑ JA Fodor, B. McLaughlin: Conexionismo y el problema de la sistematicidad: por qué la solución de Smolensky no funciona. Cognition. Vol. 35, 1990, págs. 183-184.
  52. ↑ B. McLaughlin (1993). "La batalla entre conexionismo y clasicismo para ganar almas". Estudios filosóficos . 71 (2): 171– 172. doi : 10.1007/BF00989855 .
  53. ↑ B. McLaughlin: ¿Puede una arquitectura ICS afrontar los desafíos de sistematicidad y productividad? En: P. Calvo, J. Symons (eds.): La arquitectura de la cognición. Repensando el desafío de sistematicidad de Fodor y Pylyshyn. MIT Press, Cambridge/MA, Londres, 2014, págs. 31-76.
  54. ↑ JA Fodor, B. McLaughlin: Conexionismo y el problema de la sistematicidad: Por qué la solución de Smolensky no funciona. Cognition. Vol. 35, 1990, págs. 183-184.
  55. ↑ JA Fodor: El lenguaje del pensamiento. Harvester Press, Sussex, 1976, ISBN 0-85527-309-7.
  56. ↑ JA Fodor: LOT 2: El lenguaje del pensamiento revisitado. Clarendon Press, Oxford, 2008, ISBN 0-19-954877-3.
  57. ^ JA Fodor, ZW Pylyshyn (1988), págs. 33-48.
  58. ↑ P. Smolenky: Respuesta: Estructura constituyente y explicación en una arquitectura cognitiva conexionista/simbólica integrada. En: C. MacDonald, G. MacDonald (eds.): Conexionismo: Debates sobre la explicación psicológica. Blackwell Publishers. Oxford/Reino Unido, Cambridge/Massachusetts. Vol. 2, 1995, págs. 224, 236-239, 242-244, 250-252, 282.
  59. ↑ P. Smolensky, G. Legendre: La mente armónica: De la computación neuronal a la gramática de la teoría de la optimalidad. Vol. 1: Arquitectura cognitiva. Un libro de Bradford, The MIT Press, Cambridge, Londres, 2006a, ISBN 0-262-19526-7, págs. 65-67, 69-71, 74-75, 154-155, 159-202, 209-210, 235-267, 271-342, 513.
  60. ↑ M. Werning: Sincronización neuronal, covariación y representación compositiva. En: M. Werning, E. Machery, G. Schurz (eds.): La composicionalidad del significado y el contenido. Vol. II: Aplicaciones a la lingüística, la psicología y la neurociencia. Ontos Verlag, 2005, págs. 283-312.
  61. ↑ M. Werning: Representación compositiva no simbólica y su fundamento neuronal: hacia una semántica emulativa. En: M. Werning, W. Hinzen, E. Machery (eds.): The Oxford Handbook of Compositionality. Oxford University Press, 2012, págs. 633-654.
  62. ↑ A. Maye y M. Werning: Sincronización neuronal: de la vinculación de características dinámicas a las representaciones compositivas. Chaos and Complexity Letters, Volumen 2, págs. 315-325.
  63. ↑ Bechtel, W., Abrahamsen, AA. Conexionismo y la mente: procesamiento paralelo, dinámica y evolución en redes. 2.ª edición. Blackwell Publishers, Oxford. 2002.
  64. ↑ GF Marcus: La mente algebraica. Integrando el conexionismo y la ciencia cognitiva. Bradford Book, The MIT Press, Cambridge, 2001, ISBN 0-262-13379-2.
  65. ↑ H. Maurer: Ciencia cognitiva: Mecanismos de sincronización integradora en las neuroarquitecturas cognitivas del conexionismo moderno. CRC Press, Boca Raton/FL, 2021, ISBN 978-1-351-04352-6. https://doi.org/10.1201/9781351043526
  66. ↑ Zhang, Heng; Jiang, Guifei; Quan, Donghui (11 de abril de 2025). "Una teoría de formalismos para representar el conocimiento" . Actas de la Conferencia AAAI sobre Inteligencia Artificial . 39 (14): 15257–15264 . arXiv : 2412.11855 . doi : 10.1609/aaai.v39i14.33674 . ISSN 2374-3468 . 

Referencias

  • Feldman, Jerome y Ballard, Dana. Modelos conexionistas y sus propiedades (1982). Cognitive Science. Vol. 6, número 3, págs. 205-254.
  • Rumelhart, DE, JL McClelland y el Grupo de Investigación PDP (1986). Procesamiento distribuido en paralelo: Exploraciones en la microestructura de la cognición. Volumen 1: Fundamentos , Cambridge, Massachusetts: MIT Press , ISBN 978-0-262-68053-0
  • McClelland, JL, DE Rumelhart y el Grupo de Investigación PDP (1986). Procesamiento distribuido en paralelo: Exploraciones en la microestructura de la cognición. Volumen 2: Modelos psicológicos y biológicos , Cambridge, Massachusetts: MIT Press, ISBN 978-0-262-63110-5
  • Pinker, Steven y Mehler, Jacques (1988). Conexiones y símbolos , Cambridge, MA: MIT Press, ISBN 978-0-262-66064-8
  • Jeffrey L. Elman, Elizabeth A. Bates, Mark H. Johnson, Annette Karmiloff-Smith, Domenico Parisi, Kim Plunkett (1996). Repensando la innatividad: una perspectiva conexionista sobre el desarrollo , Cambridge, MA: MIT Press, ISBN 978-0-262-55030-7
  • Marcus, Gary F. (2001). La mente algebraica: Integrando el conexionismo y la ciencia cognitiva (aprendizaje, desarrollo y cambio conceptual) , Cambridge, Massachusetts: MIT Press, ISBN 978-0-262-63268-3
  • David A. Medler (1998). "Una breve historia del conexionismo" (PDF) . Neural Computing Surveys . 1 : 61–101 .
  • Maurer, Harald (2021). Ciencia cognitiva: Mecanismos de sincronización integradora en las neuroarquitecturas cognitivas del conexionismo moderno , Boca Raton/FL: CRC Press, https://doi.org/10.1201/9781351043526 , ISBN 978-1-351-04352-6
Obtenido de " https://en.wikipedia.org/w/index.php?title=Connectionism&oldid=1358467926#Parallel_distributed_processing "
Lecturas relacionadas
6 articulos
Red neuronal (aprendizaje automático)Red neuronal (aprendizaje automático)En el aprendizaje automático , una red neuronal (también red neuronal artificial o red neuronal , abreviada ANN o NN ) es un modelo inspirado en la...{\displaystyle (\exists x)(\psi x)}Warren Sturgis McCullochWarren Sturgis McCulloch (16 de noviembre de 1898 - 24 de septiembre de 1969) fue un neurofisiólogo y cibernético estadounidense conocido por su tr...Walter PittsWalter PittsWalter Harry Pitts, Jr. (23 de abril de 1923 - 14 de mayo de 1969) fue un lógico estadounidense que trabajó en el campo de la neurociencia computac...Frank RosenblattFrank RosenblattFrank Rosenblatt (11 de julio de 1928 – 11 de julio de 1971) fue un psicólogo estadounidense destacado en el campo de la inteligencia artificial . ...Vista generalMarvin Minsky"},"birth_date":{"wt":"{{birth date|1927|8|9}} "},"birth_place":{"wt":"[[New York City]], U.S. "},"death_date":{"wt":"{{Death date and age|2016|1|2...Seymour PapertSeymour PapertSeymour Aubrey Papert ( 29 de febrero de 1928 - 31 de julio de 2016) fue un matemático, informático y educador estadounidense nacido en Sudáfrica, ...