4.5: El Marco Leabra
- Page ID
- 122909
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
La Figura 4.13 proporciona un resumen del marco de Leabra, que es el nombre que se le da a la combinación de todos los mecanismos neuronales que se han desarrollado hasta este punto en el texto. Leabra significa Aprender en un algoritmo basado en errores y asociativo, biológicamente realista: el nombre pretende evocar la escala de equilibrio “Libra”, donde en este caso el equilibrio se refleja en la combinación de aprendizaje impulsado por errores y autoorganizado (“asociativo” es otro nombre para Aprendizaje hebbio). También representa un equilibrio entre modelos de bajo nivel, con detalles biológicos y modelos más abstractos motivados computacionalmente. La forma biológica de hacer aprendizaje basado en errores requiere conectividad bidireccional, y el marco Leabra es relativamente único en su capacidad para aprender tareas computacionales complejas en el contexto de esta conectividad bidireccional generalizada. Además, la función inhibidora de FFFB que produce la dinámica K-Winners-Take-All es única en el marco de Leabra, y también es muy importante por su comportamiento general, especialmente en el manejo de las dinámicas que surgen con la conectividad bidireccional.
Los diferentes elementos del marco Leabra son, por lo tanto, sinérgicos entre sí, y como hemos comentado, altamente compatibles con las características biológicas conocidas del neocórtex. Así, el marco Leabra proporciona una base sólida para los modelos de neurociencia cognitiva que exploramos a continuación en la segunda parte del texto.
Para aquellos ya familiarizados con el marco Leabra, consulte Leabra Details para una breve revisión de cómo la versión XCAL del algoritmo descrito aquí difiere de la forma anterior de Leabra descrita en el libro de texto original del CECN (O'Reilly & Munakata, 2000).
Exploración de Leabra
Abra la simulación de árboles genealógicos para explorar el aprendizaje de Leabra en una red profunda de múltiples capas ejecutando una tarea más compleja con cierta relevancia en el mundo real. Esta simulación es muy interesante para mostrar cómo las redes pueden crear su propia estructura de similitud basada en relaciones funcionales, refutando la idea errónea común de que las redes son impulsadas puramente por la estructura de similitud de entrada.