460 likes | 788 Views
Inteligentne Systemy Autonomiczne. Pami ęć. W oparciu o wykład Prof. Randall O'Reilly University of Colorado, Prof. Jaap Murre University of Amsterdam oraz Prof. Włodzisława Ducha Uniwersytet Mikołaja Kopernika. Janusz A. Starzyk Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie.
E N D
Inteligentne Systemy Autonomiczne Pamięć W oparciu o wykład Prof. Randall O'Reilly University of Colorado, Prof. Jaap Murre University of Amsterdam oraz Prof. Włodzisława Ducha Uniwersytet Mikołaja Kopernika Janusz A. Starzyk Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie
Pamięć jest istniejącym przez pewien czas efektem doświadczenia. Uwagi ogólne Pamięć pozornie jest jednolita, ale w rzeczywistości bardzo zróżnicowana: przestrzenna, wzrokowa, słuchowa, rozpoznawcza, deklaratywna, semantyczna, proceduralna, jawna, utajona ... Tu badamy mechanizmy, więc podstawowy podział to: • Pamięć synaptyczna (fizyczne zmiany w synapsach), długotrwała i wymagająca aktywacji by wywrzeć jakiś wpływ na działanie. • Pamięć dynamiczna, aktywna, chwilowe pobudzenia, wpływa na bieżące działanie. • Torowanie długotrwałe, oparte na pamięci synaptycznej, ulegającej szybkiej modyfikacji – semantyczna i proceduralna są wynikiem wolnych procesów. • Torowanie krótkotrwałe, oparte na pamięci aktywnej.
PC – tylna kora ciemniowa i kora ruchowa; rozproszenie rep, pamięć przestrzenna, torowanie długotrwałe, skojarzenia, wnioski, schematy. FC – kora przedczołowa, izolowane rep, kontrola przerwań, p. robocza. HC – formacja hipokampa, pamięć 3 regiony epizodyczna, przestrzenna, deklaratywna, rzadkie reprezentacje, dobra separacja wzorców. • Uczenie powolne, statystycznie istotne zależności => pamięć proceduralna i semantyczna, korowa; szybkie => epizodyczna, HC. • Utrzymywanie aktywnej informacji i jednocześnie przyjmowanie nowej, np. mnożenie w pamięci 12*6, wymaga FC.
Neuron uczy się prawdopodob. warunkowego, korelacji pomiędzy pożądaną aktywnością a sygnałami wejściowymi; optymalna wartość 0.7 osiągana jest szybko tylko przy małej stałej uczenia 0.005 Wolne/szybkie uczenie • Każde przeżycie to mały fragment niepewnej potencjalnie przydatnej wiedzy o świecie => stabilność obrazu świata wymaga powolnego uczenia, integracja prowadzi do zapominania indywidualnych zdarzeń. • Istotne nowe informacje uczymy się po jednokrotnej ekspozycji. • Lezje formacji hipokampa wywołują amnezję następczą. • System neuromodulacji osiąga kompromis stabilności/plastyczności.
Rozproszone nakładające się reprezentacje w PC mogą sprawnie zapisać informacje o świecie, ale jest mało precyzyjne i zaciera się z upływem czasu. FC – kora przedczołowa, przechowuje izolowane reprezentacje; zwiększa stabilność pamięci. Efekty torowania są widoczne u osób z uszkodzonym hipokampem, torowanie korowe w PC jest możliwe. Aktywna pamięć i torowanie (priming) Wyróżnimy wiele form torowania: • trwanie (krótkie, długie), • typ informacji (wzrokowa, leksykalna), • podobieństwo (powtarzanie, semantyczne).
Typowe: dopełnianie rdzeni, po przeczytaniu listy na której są słowa dostajemy rdzenie i trzeba do nich dopisać końcówki, np. rea--- Jeśli wcześniej na liście byłareakcja to jest ona zwykle wybierana. Odstęp czasu może być rzędu godziny, więc pamięć aktywna nie może być za to odpowiedzialna. Homofony: read, reed. Dopełnianie: "It was found that the ...eel is on the ...", w którym ostatnie słowo to „orange, wagon, shoe, meal”słyszany jest jako: "peel is on the orange", "wheel is on the wagon", "heel is on the shoe" "meel is on the table". Polskie przykłady? Dopełnianie: “Zauwazylem ze ...ura jest na ...", grzedzie, niebie, choryzoncie, scianie, drodze, talerzu. Torowanie
Projekt wt_priming.proj.gz, chapter 9 View Events: pierwsze 3 mają te same wzorce wejściowe, ale inne wyjściowe, w sumie 13 par x 2 wyjścia = 26 kombinacji, IA - IB Uwaga: nie uczymy się jeszcze list AB-AC tylko wpływu douczania. Model torowania
View TrainLog i ocena wyniku: podobieństwo wzorca wyjściowego, sumarycznie jako żółta linia, nazwa najbardziej podobnego zdarzenia, mierzy sm_nm = binarne błędy w nazwach najbliższych zdarzeń, część odpowiedzi mało podobna do podawanych: A B. Eksploracja modelu Na niebiesko both_err = 1 tylko jeśli nie jest to jeden z dwóch dopuszczalnych wzorców wyjściowych. Szum pomaga przełamać impasy ale powoduje też niewielki brak stabilizacji już nauczonych wzorców.
Test_logs: najpierw sprawdzimy czy są jakieś tendencje, a potem czy da się nauczyć sieci by po prezentacji IA a potem IB zmieniała preferencje. wt_update=Test, Test robi jedną epokę, sprawdzić Trial1_TextLog: ev_nm jest albo IA, albo IB, a sm_nm raz 0 raz 1, przypadkowo. W Epoch1_TextLog widać, że zawsze jest jedna z dwóch odpowiedzi, w sumie 13/26, czyli połowę razy, nie ma tendencji. Sprawdzamy czy jedna ekspozycja coś zmienia. wt_update => On_Line, uczenie po każdym zdarzeniu, Run Test, istotnie częstość wzrasta do 18 a potem 25 razy. Wnioski: sama redukcja błędów daje zmieszane wyjścia A, B, sieć bez kWTA nie nauczy się takiego zadania. Kora ciemieniowa może być odpowiedzialna za długotrwałe torowanie. Dalsze testy
Ludzie potrafią się nauczyć dwóch list, par słów A-B, a potem A-C, np. okno-rozum rower-śmieci .... a potem: okno-pociąg rower-chmura bez większej interferencji, wypadając dobrze w testach dla AB i AC. Sieci z samą korekcją błędów zapominają katastroficznie! Interferencja wynika z używania tych samych elementów i wag by nauczyć się różnych asocjacji. Trzeba używać różne jednostki, lub uczyć z kontekstem. Uczenie AB-AC
Projekt ab_ac_interference.proj.gz View Events_AB, Events_AC, Wyjście: raz A, raz C, ale kontekst rozróżnia. Replikacja katastroficznego uczenia: View: Train_graph_log, czerwona = błędy, żółte = testy na AB. Model AB-AC Test pokazuje, że po nauczeniu AC sieć zapomina AB, wiele jednostek w warstwie ukrytej bierze udział w uczeniu obu list.
hid_kwta 12=>4 by zmniejszyć liczbe aktywnych elementów. Test, ale bez zmian. Zwiększyć wariancję wartości początkowych. wt_var 0.25=>0.4 Silniejszy wpływ kontekstu fm_context 1=>1.5 Uczenie Hebbowskie hebb 0.01=>0.05 Zmniejszyć szybkość uczenia lrate => 0.1, Batch Nic tu wyraźnie nie pomaga chociaż katastrofa ulega osłabieniu ... Potrzebne są wyraźnie dwa systemy uczenia, szybki i powolny – kora i hipokamp. Model AB-AC
Anatomia i połączenia struktur formacji hipokampa: sygnały docierają z jedno i wielomodalnych obszarów skojarzeniowych przez węchomózgowie (EC). Hipokamp
Hipokamp = król kory mózgowej Obustronne połączenia z: opuszką węchową, korą oczołodołową, korą wyspy, górnym zakrętem skroniowym, korą zakrętu obręczy. Więcej anatomii
Sporadyczna aktywizacja Reprezentacje w CA3 i CA1 są skupione na specyficznych bodźcach, podczas gdy w podporze i korze węchomózgowia są mocno rozproszone. Więcej anatomii
Model uwzględnia struktury: zakręt zębaty (DG), obszary CA1 i CA3, korę węchomózgowia (EC). Pct Act = % aktywności. Formacja hipokampa
Polaczenia w hipokampie Formacja hipokampa
Lokalizacja hipokampa Formacja hipokampa
Gyrus i inne struktury hipokampa Formacja hipokampa
Separacja i koniunkcja wzorców • Hipokamp szybko kojarzy różnorodne reprezentacje kory. • Tworzy pamięć epizodyczna • Uzupełnia odtworzone z pamięci pobudzenia i separuje je w klarownie wyodrębnione pojęcia • Rzadkie kodowanie ułatwia separacje pojęć CA1 separuje poprzez koniunkcje wzorcow (representations) Jest tez w stanie odtworzyć oryginalne pobudzenie z EC poprzez odwracalne połączenia
Projekt hip.proj.gz Sygnały wejściowe wchodzą przez węchomózgowie (EC_in), do zakrętu zębatego DG i obszaru CA3, DG wpływa również na CA3, gdzie otrzymane sygnały moga byc uzupelnione przez asocjacje. CA3 ma silne połączenia wewnętrzne. CA1 ma nieco bardziej rozproszone rzadkie reprezentacje => EC_out. EC: 144 el = 4*36; 1 z 4 aktywna.DG: 625 el, CA3: 240 el CA1: 384 el = 12 kol * 32 el Model hipokampa
Nauka skojarzeń AB – AC bez interferencji. Autoskojarzenia: EC_in = EC_out, odwracalne transformacje. BuildNet, View_Train_Trial_Log pokaże statystykę. Wejście zawiera informacje o wzorcu wejściowym, wyjściowym i liście. StepTrain: jednostki wybrane z poprzedniego kroku mają białe obwódki. Częściowe nakrywanie się wzorców w EC_in, DG, CA3, CA1. Epoka treningowa: 10 elementów listy + 3 zbiory testowe: AB, AC, nowe View Test_Logs => tekst i graf log train_updt = no_updt do logu testowania, Run zrobi 3 epoki, w Text_log są wyniki, 70% pamiętanych z listy AB i 100% z listy AC. Ustawić test_uodt = no_updt, sieć szybciej skończy 3 epoki tren/test. Analiza testu: test_updt = Cycle_updt, Clear Trial1_1_Text_log StepTest, widać samo A + kontekst, widzimy jak dopełnia się wzorzec. Eksploracja modelu hipokampa
Targ w Network pokazuje jaki wzorzec był uczony, act targ W TextLog, stim_er_on = ułamek jednostek błędnie aktywnych w EC_out, stim_er_off = błędnie nieaktywnych w EC_out. Na Trial_1_GraphLog widać po każdym teście te dwie liczby, dla znanych wzorców są małe, przypomnienia prawidłowe, dla nowych są duże, ale on ~0,5 a off ~0.8, sieć rzadko konfabuluje. By przejść do listy AC wyłaczamy Test_updt = Trial_updt (lub no_updt) i StepTest aż w text_log zmienic się epc_ctrl na 1, to są zdarzneia dla listy AC: sieć ich nie rozpoznaje (rmbr=0) bo się jeszcze ich nie uczyła. Train_Epcs=5, train_env=Train_AC, Run i sprawdź wyniki. Dalsza eksploracja
Model hipokampa może się szybko, sekwencyjnie nauczyć skojarzeń AB – AC bez zbytniej interferencji. Wystarczyła do tego reguła kontrastywna Hebba, CPCA i odpowiednia architektura. Interferencja wynika z używania tych samych jednostek, w CA3 dochodzi do separacji jednakowych wzorców (representations) uczonych w innym kontekście. Separacja wzorców nie pozwala na skojarzenia, wnioskowanie oparte na podobieństwie, sprawne kodowanie wielowymiarowych informacji. Koniunkcja wzorców odbywa się w CA1. Sugeruje to komplementarną rolę hipokampa, uzupełniającą powolne mechanizmy uczenia się korowego. Hipokamp może zapamiętywać epizody pomagające w orientacji przestrzennej, tworzyć koniunktywne reprezentacje łączące różne bodźce razem szybciej niż kora. Podsumowanie
Pamięć nie jest jednorodna Wagi (długoterminowe, wymagają pobudzenia) vs aktywizacje (krótkoterminowe, juz pobudzone, może wpływać na przetwarzanie) Oparte na wagach Kora ma stany początkowe ale cierpi na katastroficzne wpływy. Hipokampus może uczyć sie szybko bez wpływów używając rzadkich odseparowanych reprezentacji wzorcow Oparte na aktywizacji Kora wykazuje stany początkowe ale nie nadaje sie do pamięci krótkoterminowej Współpraca aktywizacji i pamięci w oparciu o wagi Wideo pamiec krotkoterminowa u szympansow -30 sek Porownanie ze studentami – 30 sek Pamięć
Torowanie krótko trwające: uwaga i wpływ na szybkość reakcji. Poza czasem trwania treść pamięci i efekty wynikające z podobieństwa podobne są do torowania długotrwałego. Projekt act_priming.proj.gz. Dopełnianie rdzeni lub homofonia, ale bez uczenia, tylko wpływ pozostałości po ostatniej aktywacji. Sieć nauczona jest serii IA-IB. Test ma serię wzorców i odpowiedzi A i B, pokazujemy jej A na wyjściu, sieć odpowiada A; teraz pokazujemy wzorzec dla B ale włączona jest tylko faza – (brak uczenia), odpowiedź sieci to raz A, raz B. LoadNet, View TestLogs,Test Korelacje poprzednich odpowiedzi A z B zależą od szybkości zaniku aktywacji; sprawdzić efekt act_decay 1 => 0, tendencja do zostawiania a.Przeanalizować wpływ na wyniki w test_log. Pamięć aktywna krótkotrwała
Projekt act_maint.proj.gz: aktywne podtrzymywanie informacji w pamięci roboczej pomimo zakłóceń, szybko dostępna, nie wymaga zmian synaptycznych. Konieczna jest rekurencja, sieć atraktorowa z dużym basenem atrakcji, odpornym na szum. Video – przypominanie z opóźnieniem – 30 sek Aktywne podtrzymywanie Procesy analizy danych ze środowiska nie wymagają takich sieci, bo są sterowane przez napływające informacje. Aktywacja powinna się rozpływać umożliwiając skojarzenia i wnioskowanie, dopóki mamy zewnętrzne sygnały to wystarczy, np. jeśli zapisujemy rezultaty pośrednich operacji na kartce. Przy braku zewnętrznych aktywacji musimy polegać na aktywnie utrzymywanej reprezentacji w pamięci roboczej, która ma poważne ograniczenia (słynne 72 Millera, a nawet 42 dla złożonych obiektów). Najpierw model bez atraktorów, który wymaga zewnętrznych sygnałów, potem rozproszone reprezentacje, ale płytkie atraktory, mało odporne na szum; w końcu głębokie ale zlokalizowane, co uniemożliwia skojarzenia.
Projekt act_maint.proj.gz. 3 obiekty, 3 elementy (cechy) Model podtrzymywania r.wt, View Grid_log, Run: jeśli jest input aktywacja się utrzymuje, ale po usunięciu rozpływa się (sieć się rozmarzyła ...). Sprawdzić wpływ wt_mean =0.5, wt_var = 0.1, 0.25, 0.4 Net_Type Higher_order: dodajemy kombinację par cech. Defaults, Run, dodać noise_var=0.01, sieć zapomina ...
Default by wrócić do początkowych parametrów. Net_type = isolated Brak połączeń między ukrytymi jednostkami, ale jest rekurencja, aktywacja się nie rozpływa. Szum = 0.01 nie przeszkadza, ale dla 0.02 już czasami się psuje. Warto uczyć się skupiać pomimo szumu? Inne zadanie: czy bodziec S(t) = S(t+2)? Parametry: env_type = Maint_updt, sieć Isolated, szum 0.01 Izolowane reprezentacje Grid_log, Run: są dwa wejścia, Input 1 i 2, wt_scale 1=>2, zmienia siłę połączeń lokalnych. Sieć można przełączyć od szybkiej aktualizacji do trwałego utrzymywania. Jak to zrobić automatycznie? Dopamina i dynamiczna regulacja nagrody w PFC.
Kora przedczołowa gra centralną rolę w utrzymywaniu aktywnej pamięci roboczej i ma własności, o które chodzi: izolowane samopobudzające się sieci atraktorowe o rozległych basenach. Neuroanatomia, połączenia i mikrokolumny PFC => specjalizowany obszar dla aktywnej pamięci. Pamięć robocza • A. PR – przestrzenna. • B. PR - przestrzenna, działania zależne od woli (self-ordered tasks). • C. PR - przestrzenna, obiektów i werbalna, działania zależne od woli i myślenie analityczne. • D. PR - obiektów, myślenie analityczne. Typowe eksperymenty wymagają opóźnionego wyboru i pokazują różnicę pomiędzy PC, IT, które mają tylko chwilowe reprezentacje bodźców, i PFC, która utrzymuje je dłużej.
Blokowanie dopaminy ma zły wpływ na pamięć roboczą, a jej wspomaganie ma wpływ pozytywny. Dopamina (DA) dochodzi z VTA (środmózgowie). DA wzmacnia siłę pobudzeń zewnętrznych, regulując dostęp do pamięci roboczej. VTA wykazuje taką skokową aktywność. TD – temporal Difference in RL Rola dopaminy Jądra podstawy mogą również regulować działanie PFC.
Projekt pfc_maint_updt.proj.gz Pamięć robocza Dynamiczna „bramka” AC dodana o sieci z rekurencją i uczenia w oparciu o różnice czasowe (TD). Wejścia: A, B, C, D Ignore, Store, Recall decyduje co z nimi robić PFC jest pamięcią roboczą, AC = adaptujący się krytyk jest systemem nagrody (dopaminowym) kontrolującym odnawianie informacji w PFC, warstwa ukryta reprezentuje korę ciemieniową, ukryta 2 mapuje do wyjścia (kora czołowa). AC uczy się przewidywać przyszła nagrodę, modulując siłę wewnętrznych połączeń PFC.
r.wt: jednoznaczne połączenia między wejściem, ukrytymi i PFC. AC ma połączenia z warstwą ukrytą i PFC, ale połączenia zwrotne AC => PFC służa tylko do modulacji. Act, Step: obserwujemy fazy – i +, na początku aktywność PFC i AC jest zerowa, są dwa kroki + by zmienić najpierw wagi PFC, a potem zrobić właściwą propagację sygnału. Kiedy pojawi się sygnał R (przypomnienia) sieć nie zadziała na razie poprawnie, nagroda w AC jest 0. Początkowo sieć „nie wie o co chodzi”, uczenie tylko na Store, Ignore warstwy ukrytej 2, ale czasami ale szum w PFC spowoduje pojawienie się prawidłowej odpowiedzi i nagrody. Model PFC View Epch_log, obserwuj zmianę wag jednostki AC, r.wt Wagi S => AC powinny wzrosnąć i błąd spadnie, żółta linia to liczba nietrafionych przewidywań AC. View, Grid_log, Clear, act, Step. Store wprowadza dane do PFC, a Ignore nie. Po przypomnieniu (Recall) PFC jest zerowane.
Interakcje pomiędzy pamięcią aktywną i synaptyczną - wagi już się zmieniły ale pamięć aktywna jest w innym stanie: co zwycięży? Takie interakcje widoczne są w rozwijającym się mózgu dzieci ~ 8 miesięcznych (Piaget 1954), doświadczenia robiono też na zwierzętach. Zabawka (jedzenie) chowana jest w pudełku A i po krótkiej przerwie dziecko (zwierzę) może ją stamtąd wyciągnąć. Po kilku powtórzeniach w A zabawka chowana jest w miejscu B; dzieci szukają nadal w A. A-nie B Pamięć aktywna nie działa u dzieci równie sprawnie co synaptyczna, lezje w okolicach kory przedczołowej wywołują u dorosłych ludzi i rezusów podobne efekty. Dzieci robią mniej błędów patrząc w kierunku miejsca, gdzie schowano zabawkę, niż sięgając po nią. Jest wiele interesujących wariantów tego typu doświadczeń i wyjaśnień na różnym poziomie.
Model procesu decyzyjnego: wiemy, że informacja o miejscu i obiektach jest rozdzielona, więc taką informację podjemy na wejściu: miejsce A, B, C, zabawka T1 lub T2 i przykrywka C1 lub C2. Pamięć synaptyczna realizowana za pomocą standardowego uczenia Hebbowskiego CPCA, a pamięć aktywna jak wzajemne połączenia pomiędzy reprezentacjami sieci w warstwieukrytej. Warstwy wyjściowe : decyzje o kierunku patrzenia i sięgania. Projekt A-nie B Kierunek patrzenia jest zawsze aktywowany w czasie każdego doświadczenia, sięganie rzadziej, tylko po przysunięciu całego układu do dziecka, więc te połączenia podlegać będą słabszemu uczeniu. Tendencja początkowa: zgodność patrzenia i sięgania na A (waga 0.7). Wszystkie wejścia połączone z ukrytymi neuronami, wagi 0.3. Projekt ab.proj.gz.
rect_ws =0.3 decyduje o sile pobudzeń rekurencyjnych w ukrytej warstwie (pamięć robocza), zmiana tego parametru symuluje dojrzewanie dziecka. View Events: 3 rodzaje zdarzeń, wstępny pokaz 4x, potem A 2x, potem B 1 x. Zdarzenie ma 4 segmenty czasowe: 1) start, pretrial – schowki przykryte; 2) prezentacja, zabawka chowana do A; 3) oczekiwanie – zabawka w A; 4) wybór – możliwe sięganie. Eksperyment 1 Tylko widoczne elementy są aktywne. View: Grid_log, Run robi cały eksperyment, wyłącza podglądanie (display). ViewPre pokazuje na Grid_log, aktywuje się A ViewA pokazuje testy A, po poduczeniu. ViewB pokazuje testy B: sieć robi błąd.
Aktywność w ukrytej warstwie rozpływa się w stronę reprezentacji skojarzonej z A. rect_ws 0.3 => 0.75 dla dojrzałego dziecka. Run, ViewB Chociaż pamięć synaptyczna się nie zmieniła to sprawniejsza pamięć robocza umożliwia podejmowanie właściwego działania. Spróbować dla rect_ws = 0.47 i 0.50 Co się dzieje? Nie ma żadnego działania – wahanie? Dalsze eksperymenty Wyniki zależą od długości opóźnienia, dla krótszego jest mniej błędów. Delay 3=>1 Zrobić testy dla rect_ws = 0.47 i 0.50 Co się dzieje dla bardzo małego dziecka? rect_ws = 0.15, delay = 3; Słaba rekurencja, słabe uczenie dla A.
Tradycyjne podejście do pamięci zakłada funkcjonalne, kognitywne, monolityczne kanoniczne reprezentacje w pamięci. Z modelowania wynika, że jest wiele oddziaływujących ze sobą systemów odpowiedzialnych za pamięć, o różnej charakterystyce, odmiennych reprezentacjach i typie informacji. Pamięć rozpoznawcza: czy element listy był wcześniej widziany? Wystarczy sygnał „poznaję”, przypomnienie nie jest konieczne. Model hipokampa jest tu też przydatny, pozwala na przypomnienie, ale to jest za dużo – w pamięci rozpoznawczej główną rolę wydają się odgrywać okolice kory okołowęchowe (perirhinal cortex). Dopełnianie brakującej informacji (cued recall). Swobodne przypominanie – efekty położenia na liście (najlepiej na początku i końcu), oraz grupowanie (chunking) informacji. Inne rodzaje pamięci
Uczenie się kategorii Kategoryzacja w psychologii - wiele teorii. Klasyczne eksperymenty: Shepard et. al (1961), Nosofsky et al. (1994). Problemy o wzrastającym stopniu złożoności, podział na kategorie C1, C2, 3 binarne własności: kolor (czarny/biały), rozmiar (mały/duży),kształt (,). Typ I : jedna własność określa kategorię. Typ II: dwie własności, XOR, np. Kat A: (czarny,duży) lub (biały,mały), kształt dowolny. Typ III-V: jedna własność + coraz więcej wyjątków. Typ VI: brak reguły, wyliczanka Trudności i szybkość uczenia się: Typ I < II < III ~ IV ~ V < VI
Dynamika kanoniczna Co dzieje się w mózgu w czasie uczenia się definicji kategorii na przykładach? Złożona neurodynamika <=> najprostsza dynamika (kanoniczna). Dla wszystkich reguł logicznych można napisać odpowiednia równania. Dla problemów typu II, czyli XOR: Przestrzeń cech
Wbrew większości Lista: choroby C lub R, symptomy PC, PR, I Choroba C kojarzy się z symptomami (PC, I), choroba R z (PR, I); C występuje 3 razy częściej niż R. (PC, I) => C, PC => C, I => C. Przewidywania „wbrew większości” (Medin, Edelson 1988). Chociaż PC + I + PR => C (60%) to PC + PR => R (60%) Baseny atraktorów neurodynamiki? PDF w przestrzeni {C, R, I, PC, PR}. Interpretacja psychologiczna (Kruschke 1996): PR ma znaczenie ponieważ jest to symptom wyróżniający, chociaż PC jest częstszy. Aktywacja PR + PC częściej prowadzi do odpowiedzi R ponieważ gradient w kierunku R jest większy.
Uczenie Punkt widzenia Neurodynamika Psychologia
Podsumowanie • Wiedza kształtująca się w pamięci jest • obudowana, dynamiczna, ciągła, pojawiająca się • Zachowanie i hamowanie wiedzy są wynikiem dynamicznego przetwarzania informacji raczej niż z gory ustalonych struktur oddziaływań • Rozpoznanie polega na umiejętności odróżnienia wcześniej nauczonych pobudzeń od nowych, nieznanych pobudzeń • Hipokamp zapewnia wysokiej jakości rozpoznanie o wysokim progu gwarantującym kojarzenie poznanych wcześniej pobudzeń • Torowanie przyczynia się do powolnego budowania niezmienniczych reprezentacji • Dwa mechanizmy uczenia • W oparciu o wagi połączeń • W oparciu o aktywizacje neuronow
Podsumowanie • Kora wspomaga rozpoznanie naprowadzając na ślad • Kora prowadzi do niestymulowanych skojarzeń • Kora odpowiedzialna jest za pamięć roboczą współdziałając z hipokampem • Sekwencje zgrupowanych reprezentacji przechowane są w pamięci długoterminowej • Pamięć oparta o aktywizacje wymaga połączenia szybkiego uaktualniania z ze stabilna reprezentacja • Hipokamp używa rzadkich odseparowanych reprezentacji do szybkiego uczenia bez mieszania pojęć • Torowanie (ślad) pamięci może być długoterminowe (w oparciu o wagi) lub krótkoterminowe (w oparciu o aktywizacje)