Articulo de referencia

El ganador se lo lleva todo (informática)

El principio computacional de "el ganador se lo lleva todo" se aplica en modelos computacionales de redes neuronales , en los que las neuronas compiten entre sí por la activació...

El principio computacional de "el ganador se lo lleva todo" se aplica en modelos computacionales de redes neuronales , en los que las neuronas compiten entre sí por la activación. En la forma clásica, solo la neurona con la mayor activación permanece activa mientras que todas las demás neuronas se apagan; sin embargo, otras variaciones permiten que más de una neurona esté activa, por ejemplo, el principio de "el ganador se lo lleva todo", en el que se aplica una función de potencia a las neuronas.

Redes neuronales

En la teoría de redes neuronales artificiales , las redes de "el ganador se lo lleva todo" son un caso de aprendizaje competitivo en redes neuronales recurrentes . Los nodos de salida de la red se inhiben mutuamente, mientras que simultáneamente se activan a través de conexiones reflexivas. Después de un tiempo, solo un nodo en la capa de salida estará activo, es decir, el que corresponde a la entrada más fuerte. Por lo tanto, la red utiliza la inhibición no lineal para seleccionar la más grande de un conjunto de entradas. El "ganador se lo lleva todo" es una primitiva computacional general que se puede implementar utilizando diferentes tipos de modelos de redes neuronales, incluidas las redes de tiempo continuo y las redes de picos. [1] [2]

Las redes de tipo "el ganador se lleva todo" se utilizan habitualmente en modelos computacionales del cerebro, en particular para la toma de decisiones distribuidas o la selección de acciones en la corteza . Algunos ejemplos importantes incluyen modelos jerárquicos de visión, [3] y modelos de atención selectiva y reconocimiento. [4] [5] También son comunes en redes neuronales artificiales y circuitos VLSI analógicos neuromórficos. Se ha demostrado formalmente que la operación de tipo "el ganador se lleva todo" es computacionalmente potente en comparación con otras operaciones no lineales, como la umbralización. [6]

En muchos casos prácticos, no hay una única neurona que se activa, sino que hay exactamente k neuronas que se activan durante un número fijo de k . Este principio se conoce como " los k ganadores se lo llevan todo" .

Ejemplo de circuito

Un circuito CMOS de dos entradas en el que el ganador se lleva todo

A la derecha se muestra un circuito CMOS simple, pero popular, en el que el ganador se lleva todo. Este circuito fue propuesto originalmente por Lazzaro et al. (1989) [7], utilizando transistores MOS polarizados para operar en el régimen de inversión débil o subumbral. En el caso particular que se muestra, solo hay dos entradas ( I IN ,1 y I IN ,2 ), pero el circuito se puede extender fácilmente a múltiples entradas de una manera sencilla. Opera en señales de entrada de tiempo continuo (corrientes) en paralelo, utilizando solo dos transistores por entrada. Además, la corriente de polarización I BIAS se establece mediante un solo transistor global que es común a todas las entradas.

La mayor de las corrientes de entrada establece el potencial común V C . Como resultado, la salida correspondiente transporta casi toda la corriente de polarización, mientras que las otras salidas tienen corrientes cercanas a cero. Por lo tanto, el circuito selecciona la mayor de las dos corrientes de entrada, es decir, si I IN ,1 > I IN ,2 , obtenemos I OUT ,1 = I BIAS y I OUT ,2 = 0. De manera similar, si I IN ,2 > I IN ,1 , obtenemos I OUT ,1 = 0 y I OUT ,2 = I BIAS .

Simulación del circuito CMOS de dos entradas en el que el ganador se lleva todo

A la derecha se muestra una simulación de CC basada en SPICE del circuito CMOS de "ganador se lleva todo" en el caso de dos entradas. Como se muestra en el subgráfico superior, la entrada I IN ,1 se fijó en 6 nA, mientras que I IN ,2 se incrementó linealmente de 0 a 10 nA. El subgráfico inferior muestra las dos corrientes de salida. Como se esperaba, la salida correspondiente a la mayor de las dos entradas transporta toda la corriente de polarización (10 nA en este caso), lo que obliga a la otra corriente de salida a casi cero.

Otros usos

En los algoritmos de emparejamiento estéreo , siguiendo la taxonomía propuesta por Scharstein y Szelliski [8] , el método de "el ganador se lleva todo" es un método local para el cálculo de la disparidad. Al adoptar una estrategia de "el ganador se lleva todo", se selecciona la disparidad asociada con el valor de costo mínimo o máximo en cada píxel.

Es evidente que en el mercado del comercio electrónico, los primeros actores dominantes, como AOL o Yahoo!, se llevan la mayor parte de los beneficios. En 1998, un estudio [ aclaración necesaria ] descubrió que el 5% de los sitios web más importantes acaparaban más del 74% del tráfico total.

La hipótesis del "ganador se lo lleva todo" en economía sugiere que, una vez que una tecnología o una empresa avanza, lo hará cada vez mejor con el tiempo, mientras que las tecnologías y empresas rezagadas se quedarán cada vez más atrás. Véase ventaja del pionero .

Véase también

Referencias

  1. ^ Grossberg, Stephen (1982), "Mejora del contorno, memoria a corto plazo y constancias en redes neuronales reverberantes", Estudios de la mente y el cerebro , Boston Studies in the Philosophy of Science, vol. 70, Dordrecht: Springer Netherlands, págs. 332–378, doi :10.1007/978-94-009-7758-7_8, ISBN 978-90-277-1360-5, consultado el 5 de noviembre de 2022
  2. ^ Oster, Matthias; Rodney, Douglas; Liu, Shih-Chii (2009). "Computación con picos en una red de ganador se lleva todo". Computación neuronal . 21 (9): 2437–2465. doi :10.1162/neco.2009.07-08-829. PMID  19548795. S2CID  7259946.
  3. ^ Riesenhuber, Maximilian; Poggio, Tomaso (1999-11-01). "Modelos jerárquicos de reconocimiento de objetos en la corteza". Nature Neuroscience . 2 (11): 1019–1025. doi :10.1038/14819. ISSN  1097-6256. PMID  10526343. S2CID  8920227.
  4. ^ Carpenter, Gail A. (1987). "Una arquitectura masivamente paralela para una máquina de reconocimiento de patrones neuronales autoorganizada". Visión artificial, gráficos y procesamiento de imágenes . 37 (1): 54–115. doi :10.1016/S0734-189X(87)80014-2.
  5. ^ Itti, Laurent; Koch, Christof (1998). "Un modelo de atención visual basada en la prominencia para el análisis rápido de escenas". IEEE Transactions on Pattern Analysis and Machine Intelligence . 20 (11): 1254–1259. doi :10.1109/34.730558. S2CID  3108956.
  6. ^ Maass, Wolfgang (1 de noviembre de 2000). "Sobre el poder computacional del sistema Winner-Take-All". Computación neuronal . 12 (11): 2519–2535. doi :10.1162/089976600300014827. ISSN  0899-7667. PMID  11110125. S2CID  10304135.
  7. ^ Lazzaro, J.; Ryckebusch, S.; Mahowald, MA; Mead, CA (1 de enero de 1988). "Redes de complejidad O(N) en las que el ganador se lleva todo". Fort Belvoir, VA. doi :10.21236/ada451466. {{cite journal}}: Requiere citar revista |journal=( ayuda )
  8. ^ Scharstein, Daniel; Szeliski, Richard (2002). "Una taxonomía y evaluación de algoritmos de correspondencia estéreo densos de dos cuadros". Revista internacional de visión artificial . 47 (1/3): 7–42. doi :10.1023/A:1014573219977. S2CID  195859047.
Obtenido de "https://es.wikipedia.org/w/index.php?title=El ganador se lo lleva todo_(informática)&oldid=1230187415"