stringtranslate.com

Conexionismo

Un modelo conexionista (ANN) de la 'segunda ola' con una capa oculta

Conexionismo (acuñado por Edward Thorndike en la década de 1930 [ cita necesaria ] ) es el nombre de un enfoque para el estudio de los procesos mentales y la cognición humanos 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, ambos centrándose en comprender los circuitos neuronales a través de un enfoque formal y matemático, [2] y Frank Rosenblatt , quien publicó el libro de 1958 “El perceptrón: un modelo probabilístico para el almacenamiento y organización de información en el mundo”. Brain” en Psychological Review , mientras trabajaba en el Laboratorio Aeronáutico de Cornell. [3] La primera ola terminó con el libro de 1969 sobre las limitaciones de la idea original del perceptrón, escrito por Marvin Minsky y Papert , que contribuyó a disuadir a las principales agencias de financiación de Estados Unidos de invertir en investigación conexionista. [4] Con algunas desviaciones notables, la mayoría de la investigación conexionista entró en un período de inactividad hasta mediados de los años 1980. El término modelo conexionista fue reintroducido a principios de la década de 1980 en un artículo de Ciencia Cognitiva escrito por Jerome Feldman y Dana Ballard.

La segunda ola floreció a finales de la década de 1980, tras el libro de 1987 sobre procesamiento distribuido paralelo de James L. McClelland , David E. Rumelhart et al., que introdujo un par de mejoras a la idea del perceptrón simple, como procesadores intermedios (conocidos como " capas ocultas " ahora) junto con las unidades de entrada y salida y utilizó la función de activación sigmoidea en lugar de la antigua función de 'todo o nada'. Su trabajo, a su vez, se ha basado en el de John Hopfield , quien fue una figura clave en la investigación de las características matemáticas de las funciones de activación sigmoidea. [3] Desde finales de los años 1980 hasta mediados de los años 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 GOFAI . [3] Algunas ventajas del enfoque conexionista de la segunda ola incluyeron su aplicabilidad a una amplia gama de funciones, la aproximación estructural a las neuronas biológicas, los bajos requisitos de estructura innata y la capacidad de degradación elegante . [6] Algunas desventajas del enfoque conexionista de la segunda ola incluyeron la dificultad para descifrar cómo las RNA procesan la información o explican la composicionalidad de las representaciones mentales, y la dificultad resultante para explicar los fenómenos a un nivel superior. [7]

La (tercera) ola actual ha estado marcada por avances en el aprendizaje profundo que permiten modelos de lenguaje grandes . [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 escala de dichas redes ha traído consigo mayores problemas de interpretabilidad . [8]

Principio básico

El principio conexionista central es que los fenómenos mentales pueden describirse mediante redes interconectadas de unidades simples y a menudo uniformes. La forma de las conexiones y de las unidades puede variar de un modelo a otro. Por ejemplo, las unidades de la red podrían representar neuronas y las conexiones podrían representar sinapsis , como en el cerebro humano . Este principio ha sido visto como una alternativa al GOFAI y las teorías clásicas de la mente basadas en la computación simbólica, pero hasta qué punto los dos enfoques son compatibles ha sido objeto de mucho debate desde sus inicios. [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 siguiente de neuronas en el caso de una red feedforward, o a una capa anterior en el caso de una red recurrente. El descubrimiento de funciones de activación no lineales ha permitido la segunda ola de 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 numérica sobre 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:

Realismo biológico

El trabajo conexionista en general no necesita ser biológicamente realista. [10] [11] [12] [13] [14] [15] [16] Un área donde se cree que los modelos conexionistas son biológicamente inverosímiles es con respecto a las redes de propagación de errores que se necesitan para respaldar el aprendizaje, [17] [18] pero la propagación de errores puede explicar parte de la actividad eléctrica generada biológicamente que se observa 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 del aprendizaje conexionista. procedimientos. 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 el de William James . [20] Las teorías psicológicas basadas en el conocimiento sobre el cerebro humano estuvieron de moda a finales del siglo XIX. Ya en 1869, el neurólogo John Hughlings Jackson defendía los sistemas distribuidos multinivel. Siguiendo esta línea, los Principios de Psicología de Herbert Spencer , tercera edición (1872), y el Proyecto para una Psicología Científica de Sigmund Freud (compuesto en 1895) propusieron teorías conexionistas o protoconexionistas. Estas tendían a ser teorías especulativas. Pero a principios del siglo XX, Edward Thorndike estaba experimentando con un aprendizaje que postulaba una red de tipo conexionista.

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 implicaba tiempo. Las simulaciones de Monte Carlo del modelo de Ising requirieron la llegada de las computadoras en la década de 1950. [21]

la primera ola

La primera ola comenzó en 1943 con Warren Sturgis McCulloch y Walter Pitts, ambos centrándose en comprender los circuitos neuronales a través de un enfoque formal y matemático. [3] McCulloch y Pitts mostraron cómo los sistemas neuronales podrían 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. Fueron influenciados por el trabajo de Nicolas Rashevsky en la década de 1930.

Hebb contribuyó en gran medida a las especulaciones sobre el funcionamiento neuronal y propuso un principio de aprendizaje, el aprendizaje hebbiano . Lashley abogó por las representaciones distribuidas como resultado de su incapacidad para 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, [22] [23] y luego ampliado a un libro en 1952. [24]

Las máquinas Perceptrón fueron propuestas y construidas por Frank Rosenblatt , quien publicó el artículo de 1958 “El Perceptrón: un modelo probabilístico para el almacenamiento y organización de información en el cerebro” en Psychoological Review , mientras trabajaba en el Laboratorio Aeronáutico de Cornell. Citó a Hebb, Hayek, Uttley y Ashby como 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 dirigido por Widrow buscó empíricamente métodos para entrenar redes ADALINE de dos capas , con un éxito limitado. [25] [26]

Alexey Grigorevich Ivakhnenko y Valentin Lapa publicaron en 1965 un método para entrenar perceptrones de múltiples capas con niveles arbitrarios de pesos entrenables , llamado Método grupal de manejo de datos . [27] [28] [29] Este método emplea entrenamiento incremental capa por capa basado en análisis de regresión , donde las unidades inútiles en capas ocultas se eliminan con la ayuda de un conjunto de validación. En 1972, Shun'ichi Amari hizo esta arquitectura adaptativa . [30] [27]

Los primeros perceptrones multicapa entrenados mediante descenso de gradiente estocástico [31] fueron publicados en 1967 por Shun'ichi Amari . [32] [27] En experimentos informáticos realizados por Saito, estudiante de Amari, un MLP de cinco capas con dos capas modificables aprendió representaciones internas útiles para clasificar clases de patrones no linealmente separables. [27]

La segunda ola

La segunda ola comenzó a finales de la década de 1980, después del 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 del perceptrón simple. como procesadores intermedios (conocidos ahora como " capas ocultas ") junto con unidades de entrada y salida y utilizando la función de activación sigmoidea en lugar de la antigua función de 'todo o nada'. Su trabajo, a su vez, se ha basado en John Hopfield , quien fue una figura clave en la investigación de las características matemáticas de las funciones de activación sigmoidea. [3]

Debate conexionismo versus computacionalismo

A medida que el conexionismo se hizo cada vez más popular a finales de los años 1980, algunos investigadores (incluidos Jerry Fodor , Steven Pinker y otros) reaccionaron en su contra. Argumentaron que el conexionismo, tal como se estaba desarrollando entonces, amenazaba con borrar lo que consideraban el progreso realizado en los campos de la ciencia cognitiva y la psicología mediante 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 sostuvieron que la tendencia del conexionismo representaba una reversión hacia el asociacionismo y el abandono de la idea de un lenguaje de pensamiento , algo que consideraban erróneo. Por el contrario, esas mismas tendencias hicieron que el conexionismo fuera atractivo para otros investigadores.

El conexionismo y el computacionalismo no tienen por qué estar reñidos, pero el debate de finales de los 80 y principios de los 90 condujo a una oposición entre los dos enfoques. A lo largo del debate, algunos investigadores han argumentado que el conexionismo y el computacionalismo son totalmente compatibles, aunque no se ha alcanzado un consenso total sobre esta cuestión. Las diferencias entre los dos 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, [33] como de hecho deben poder hacerlo si quieren explicar la capacidad humana para realizar tareas de manipulación de símbolos. . Se han propuesto varios modelos cognitivos que combinan arquitecturas de manipulación de símbolos y conexionistas. Entre ellos se encuentra la Arquitectura Cognitiva Simbólica/Conexionista Integrada (ICS) de Paul Smolensky . [8] [34] y CLARION (arquitectura cognitiva) de Ron Sun. Pero el debate se basa en si esta manipulación de símbolos constituye la base de la cognición en general, por lo que no se trata de una posible reivindicación del computacionalismo. No obstante, las descripciones computacionales pueden ser útiles para descripciones de alto nivel de la cognición de la lógica, por ejemplo.

El debate se centró en gran medida en argumentos lógicos sobre si las redes conexionistas podrían producir la estructura sintáctica observada en este tipo de razonamiento. Esto se logró más tarde aunque se utilizaron capacidades de vinculación de variables rápidas fuera de las asumidas estándar en los modelos conexionistas. [33] [35]

Parte del atractivo de las descripciones computacionales es que son relativamente fáciles de interpretar y, por lo tanto, pueden considerarse como una contribución a nuestra comprensión de procesos mentales particulares, mientras que los modelos conexionistas son en general más opacos, en la medida en que pueden describirse sólo en términos muy generales (como especificar el algoritmo de aprendizaje, el número de unidades, etc.), o en términos inútiles de bajo nivel. En este sentido, los modelos conexionistas pueden instanciar, 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, se podría considerar que el debate refleja hasta cierto punto una mera diferencia en el nivel de análisis en el que se enmarcan teorías particulares. Algunos investigadores sugieren que la brecha de análisis es consecuencia de mecanismos conexionistas que dan lugar a fenómenos emergentes que pueden describirse en términos computacionales. [36]

En la década de 2000, la popularidad de los sistemas dinámicos en la filosofía de la mente añadió una nueva perspectiva al debate; [37] [38] algunos autores [ ¿cuáles? ] ahora sostienen 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 de DeepMind publicaron una serie de artículos que describen una novedosa estructura de red neuronal profunda llamada Neural Turing Machine [39] capaz de leer símbolos en una cinta y almacenar símbolos en la memoria. Las redes relacionales, otro módulo de Deep Network publicado por DeepMind, pueden crear representaciones similares a objetos y manipularlas para responder preguntas complejas. Las redes relacionales y las máquinas neuronales de Turing son una prueba más de que el conexionismo y el computacionalismo no tienen por qué estar reñidos.

Debate entre simbolismo y conexionismo

El paradigma subsimbólico de Smolensky [40] [41] tiene que afrontar el desafío Fodor-Pylyshyn [42] [43] [44] [45] formulado por la teoría clásica del símbolo 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 el supuesto de que los procesos cognitivos sean 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 la sistematicidad y la composicionalidad sin depender de la mera implementación de una arquitectura cognitiva clásica. Este desafío implica un dilema: si el paradigma subsimbólico no pudiera contribuir en 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 del símbolo y, por lo tanto, no una alternativa genuina. Teoría (conexionista) de la cognición. [46] El modelo clásico de 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 utilizan. en el "Lenguaje del pensamiento (LOT)" de Fodor. [47] [48] Esto se puede utilizar para explicar las siguientes propiedades estrechamente relacionadas de la cognición humana, a saber, su (1) productividad, (2) sistematicidad, (3) composicionalidad y (4) coherencia inferencial. [49]

Este desafío ha sido afrontado en el conexionismo moderno, por ejemplo, no sólo por la "Arquitectura cognitiva conexionista/simbólica (ICS) integrada" de Smolensky, [50] [51] sino también por las "Redes oscilatorias" de Werning y Maye. [52] [53] [54] Una descripción general de esto la ofrecen, por ejemplo, Bechtel & Abrahamsen, [55] Marcus [56] y Maurer. [57]

Ver también

Notas

  1. ^ "Enciclopedia de Filosofía de Internet". iep.utm.edu . Consultado el 19 de agosto de 2023 .
  2. ^ McCulloch, Warren S.; Pitts, Walter (1 de diciembre de 1943). "Un cálculo lógico de las ideas inmanentes a la actividad nerviosa". El Boletín de Biofísica Matemática . 5 (4): 115-133. doi :10.1007/BF02478259. ISSN  1522-9602.
  3. ^ abcdef Berkeley, Istvan SN (2019). "El curioso caso del conexionismo". Filosofía abierta . 2019 (2): 190–205. doi : 10.1515/opphil-2019-0018 . S2CID  201061823.
  4. ^ Boden, Margarita (2006). La mente como máquina: una historia de la ciencia cognitiva . Oxford: Oxford ARRIBA pág. 914.ISBN​ 978-0-262-63268-3.
  5. ^ Schneider, Walter (1987). "Conexionismo: ¿es un cambio de paradigma para la psicología?". Métodos, instrumentos y computadoras de investigación del comportamiento . 19 : 73–83. doi : 10.1515/opphil-2019-0018 . S2CID  201061823.
  6. ^ Marcos, Gary F. (2001). La mente algebraica: integración del conexionismo y la ciencia cognitiva (aprendizaje, desarrollo y cambio conceptual) . Cambridge, Massachusetts: MIT Press. págs. 27-28. ISBN 978-0-262-63268-3.
  7. ^ Smolensky, Paul (1999). "Enfoques conexionistas del lenguaje basados ​​en la gramática". Ciencia cognitiva . 23 (4): 589–613. doi : 10.1207/s15516709cog2304_9 .
  8. ^ abc 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, a través de la 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. ^ "Diario Encephalos". www.encefalos.gr . Consultado el 20 de febrero de 2018 .
  11. ^ Wilson, Elizabeth A. (4 de febrero de 2016). Geografías neuronales: feminismo y microestructura de la cognición. Rutledge. 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 circuito sensoriomotor cerrado" (PDF) . Enfoque de sistemas dinámicos para la encarnación y la socialidad, Advanced Knowledge International . Universidad de Sussex . S2CID  15349751 . Consultado el 29 de diciembre de 2023 .
  13. ^ Zorzi, Marco; Testolín, Alberto; Stoianov, Ivilin P. (20 de agosto de 2013). "Modelado del lenguaje y la cognición con aprendizaje profundo no supervisado: una descripción general del tutorial". Fronteras en Psicología . 4 : 515. doi : 10.3389/fpsyg.2013.00515 . ISSN  1664-1078. PMC 3747356 . PMID  23970869. 
  14. ^ Tieszen, R. (2011). "Filosofía, ciencia y filosofía global analítica y continental". Filosofía comparada . 2 (2): 4–22 . Consultado el 29 de diciembre de 2023 .
  15. ^ Browne, A. (1 de enero de 1997). Perspectivas de las redes neuronales sobre cognición y robótica adaptativa. Prensa CRC. 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". Naturaleza . 337 (6203): 129–132. Código Bib :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 errores de retropropagación". Naturaleza . 323 (6088): 533–536. Código Bib :1986Natur.323..533R. doi :10.1038/323533a0. ISSN  1476-4687. S2CID  205001834.
  19. ^ Fitz, Hartmut; Chang, Franklin (1 de junio de 2019). "Los ERP de idiomas reflejan el aprendizaje a través de la propagación de errores 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, Eduardo (1989). "Capítulo 1: (1890) William James Psicología (Curso breve) ". Neurocomputación: fundamentos de la investigación . Un libro de Bradford. pag. 1.ISBN​ 978-0-262-51048-6.
  21. ^ Pincel, Stephen G. (1967). "Historia del modelo Lenz-Ising". Reseñas de Física Moderna . 39 (4): 883–893. Código bibliográfico : 1967RvMP...39..883B. doi :10.1103/RevModPhys.39.883.
  22. ^ 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.
  23. ^ Caldwell, Bruce (2004). "Algunas reflexiones sobre El orden sensorial de FA Hayek". Revista de Bioeconomía . 6 (3): 239–254. doi :10.1007/s10818-004-5505-9. ISSN  1387-6996. S2CID  144437624.
  24. ^ Hayek, FA (15 de septiembre de 2012). El orden sensorial: una investigación sobre los fundamentos de la psicología teórica (1ª ed.). Prensa de la Universidad de Chicago.
  25. ^ págs. 124-129, Olazarán Rodríguez, José Miguel. Una sociología histórica de la investigación de redes neuronales . Tesis Doctoral. Universidad de Edimburgo, 1991.
  26. ^ Widrow, B. (1962) Generalización y almacenamiento de información en redes de "neuronas" ADALINE . En MC Yovits, GT Jacobi y GD Goldstein (Ed.), Self-Organizing Svstems-1962 (págs. 435-461). Washington, DC: Libros espartanos.
  27. ^ abcd Schmidhuber, Juergen (2022). "Historia comentada de la IA moderna y el aprendizaje profundo". arXiv : 2212.11279 [cs.NE].
  28. ^ Ivakhnenko, AG (1973). Dispositivos cibernéticos de predicción. Corporación de Información CCM.
  29. ^ Ivakhnenko, AG; Grigorevich Lapa, Valentin (1967). Cibernética y técnicas de previsión. Pub americano Elsevier. Co.
  30. ^ Amari, Shun-Ichi (1972). "Patrones de aprendizaje y secuencias de patrones mediante redes autoorganizadas de elementos de umbral". Transacciones IEEE . C (21): 1197-1206.
  31. ^ Robbins, H .; Monro, S. (1951). "Un método de aproximación estocástica". Los anales de la estadística matemática . 22 (3): 400. doi : 10.1214/aoms/1177729586 .
  32. ^ Amari, Shun'ichi (1967). "Una teoría del clasificador de patrones adaptativos". Transacciones IEEE . CE (16): 279–307.
  33. ^ ab Chang, Franklin (2002). "Simbólicamente hablando: un modelo conexionista de producción de oraciones". Ciencia cognitiva . 26 (5): 609–651. doi : 10.1207/s15516709cog2605_3 . ISSN  1551-6709.
  34. ^ Smolensky, Paul (1990). "Enlace de variables de productos tensoriales y representación de estructuras simbólicas en sistemas conexionistas" (PDF) . Inteligencia artificial . 46 (1–2): 159–216. doi :10.1016/0004-3702(90)90007-M.
  35. ^ Shastri, Lokendra; Ajjanagadde, Venkat (septiembre de 1993). "De asociaciones simples al razonamiento sistemático: una representación conexionista de reglas, variables y vinculaciones dinámicas utilizando sincronía temporal". Ciencias del comportamiento y del cerebro . 16 (3): 417–451. doi :10.1017/S0140525X00030910. ISSN  1469-1825. S2CID  14973656.
  36. ^ Ellis, Nick C. (1998). "Emergentismo, Conexionismo y Aprendizaje de Idiomas" (PDF) . Aprendizaje de idiomas . 48 (4): 631–664. doi :10.1111/0023-8333.00063.
  37. ^ 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 , recuperado 28 de mayo de 2022
  38. ^ Cerveza, Randall D. (marzo de 2000). "Enfoques dinámicos de la ciencia cognitiva". Tendencias en Ciencias Cognitivas . 4 (3): 91–99. doi :10.1016/s1364-6613(99)01440-0. ISSN  1364-6613. PMID  10689343. S2CID  16515284.
  39. ^ Tumbas, Alex (2014). "Máquinas neuronales de Turing". arXiv : 1410.5401 [cs.NE].
  40. ^ P. Smolensky: Sobre el tratamiento adecuado del conexionismo. En: Ciencias del comportamiento y del cerebro. Banda 11, 1988, págs. 1-74.
  41. ^ P. Smolensky: La estructura constituyente de los estados mentales conexionistas: una respuesta a Fodor y Pylyshyn. En: T. Horgan, J. Tienson (Ed.): Conferencia Spindel 1987: Conexionismo y filosofía de la mente. La Revista de Filosofía del Sur. Número especial sobre el conexionismo y los fundamentos de la ciencia cognitiva. Suplemento. Banda 26, 1988, págs. 137-161.
  42. ^ JA Fodor, ZW Pylyshyn: Conexionismo y arquitectura cognitiva: un análisis crítico. Cognición. Banda 28, 1988, págs. 12-13, 33-50.
  43. ^ JA Fodor, B. McLaughlin: El conexionismo y el problema de la sistematicidad: por qué la solución de Smolensky no funciona. Cognición. Banda 35, 1990, págs. 183-184.
  44. ^ B. McLaughlin: La batalla conexionismo/clasicismo para ganar almas. Estudios Filosóficos, Banda 71, 1993, S. 171-172.
  45. ^ B. McLaughlin: ¿Puede una arquitectura ICS afrontar los desafíos de sistematicidad y productividad? En: P. Calvo, J. Symons (Ed.): La arquitectura de la cognición. Repensar el desafío de la sistematicidad de Fodor y Pylyshyn. MIT Press, Cambridge/MA, Londres, 2014, págs. 31-76.
  46. ^ JA Fodor, B. McLaughlin: El conexionismo y el problema de la sistematicidad: por qué la solución de Smolensky no funciona. Cognición. Banda 35, 1990, págs. 183-184.
  47. ^ JA Fodor: El lenguaje del pensamiento. Prensa cosechadora, Sussex, 1976, ISBN 0-85527-309-7.
  48. ^ JA Fodor: LOTE 2: El lenguaje del pensamiento revisado. Clarendon Press, Oxford, 2008, ISBN 0-19-954877-3.
  49. ^ JA Fodor, ZW Pylyshyn (1988), págs. 33-48.
  50. ^ P. Smolenky: Respuesta: Estructura constituyente y explicación en una arquitectura cognitiva conexionista/simbólica integrada. En: C. MacDonald, G. MacDonald (Ed.): Conexionismo: debates sobre la explicación psicológica. Editores Blackwell. Oxford/Reino Unido, Cambridge/MA. vol. 2, 1995, S. 224, 236-239, 242-244, 250-252, 282.
  51. ^ P. Smolensky, G. Legendre: La mente armónica: de la computación neuronal a la gramática teórica de la optimidad. 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.
  52. ^ M. Werning: sincronización neuronal, covariación y representación compositiva. En: M. Werning, E. Machery, G. Schurz (Ed.): La composicionalidad del significado y el contenido. vol. II: Aplicaciones a la lingüística, la psicología y la neurociencia. Ontos Verlag, 2005, págs. 283-312.
  53. ^ M. Werning: Representación compositiva no simbólica y su fundamento neuronal: hacia una semántica emulativa. En: M. Werning, W. Hinzen, E. Machery (Ed.): El manual de composición de Oxford. Oxford University Press, 2012, págs. 633-654.
  54. ^ A. Maye und M. Werning: Sincronización neuronal: desde la vinculación de características dinámicas hasta las representaciones compositivas. Cartas de Caos y Complejidad, Banda 2, S. 315-325.
  55. ^ Bechtel, W., Abrahamsen, AA El conexionismo y la mente: procesamiento paralelo, dinámica y evolución en redes. 2da edición. Editores Blackwell, Oxford. 2002
  56. ^ GF Marcus: La mente algebraica. Integrando el conexionismo y la ciencia cognitiva. Libro de Bradford, The MIT Press, Cambridge, 2001, ISBN 0-262-13379-2.
  57. ^ H. Maurer: Ciencia cognitiva: mecanismos de sincronización integradora en neuroarquitecturas cognitivas del conexionismo moderno. CRC Press, Boca Raton/FL, 2021, ISBN 978-1-351-04352-6. https://doi.org/10.1201/9781351043526

Referencias

enlaces externos

Escuche este artículo ( 19 minutos )
Icono de Wikipedia hablado
Este archivo de audio se creó a partir de una revisión de este artículo con fecha del 26 de noviembre de 2011 y no refleja ediciones posteriores. ( 26/11/2011 )
( Ayuda de audio  · Más artículos hablados )