1. No category

Sub-symbolisk kognition
& Konnektionism
Kognitionsvetenskaplig Introduktionskurs
Mats Andrén, [email protected]
1
Konnektionism
•
Neutrala nät baseras på en (förenklad) modell av hur
hjärnan fungerar.
•
…till skillnad från fysiska symbolsystemhypotesen
som snarare är baserad på hur datorer fungerar
(manipulation av symboler baserat på en uppsättning
formella regler).
•
NN är fortfarande en typ av informationsprocessande,
men annorlunda mot fysiska symbolsystemhypotesen
(t.ex. “Language of Thought”).
2
Language of Thought (LOT)
3
Symbol Grounding problem
•
Kinesiska rummet illustrerar ett vidare problem – gapet mellan
formell bearbetning av symboler och genuin tanke och förståelse
•
Hur får ord/symboler sin mening?
•
•
Orden “i våra huvuden” har uppenbarligen någon form av
koppling till världen. Men.. De kan inte ursprungligen få sin
mening genom “beräkning”/“computation” så som t.ex. att
kolla upp deras mening i ett “mentalt lexikon” eftersom man
inte kan kolla upp betydelse i ett (enspråkigt) lexikon i ett
språk man inte redan förstår.
Vi har kört fast..
4
Möjliga vägar
•
Kognition är inte informationsbearbetning
•
Kognition är icke-symbolisk
informationsbearbetning.
5
Skillnader. Neutrala nätverk
är…
•
Parallella snarare än seriella — inget “centrum”.
•
Överkurs: Men.. På ett djupare plan kan varje dator simulera vilken annan
dator som helst, dvs en seriell datorarkitektur kan simulera en parallell
datorarkitektur och vice versa, dvs principiellt fortfarande samma
grundläggande typ av “computation”.
•
De “regler” som styr nätverkens funktion har inget att göra med det specifika
innehåll som processas.
•
Inlärt funktionssätt (“empiriskt”) snarare än inbyggt (“rationalistiskt”), och kan
förändras över tid.
•
Ingen tydlig åtskillnad mellan informationslagring och informationsbearbetning
— representationer av begrepp i NN motsvaras inte nödvändigtvis av en
uppräkningsbar mängd “representationer”, utan kan ibland vara av mycket mer
öppen och associativ natur.
6
Neuroner
7
Perceptroner
8
Nätverk av perceptroner
•
Utdatalager — länkar
mellan det gömda lagret
och utdatalagret.
•
Lager med gömda noder
— länkar mellan
indatalagret och det gömda
lagret.
•
Indatalager
9
Perceptroners uppgång och
fall
•
1943 McCullough & Pitt — datorer som artificiella neurala
nätverk. Försökte förstå hur celler kan “beräkna”.
•
1949 Hebb — Oövervakad inlärning,“neurons that fire
together, wire together”
•
1958 Rosenblatt — Övervakad inlärning, perceptroner kan
lära sig godtyckligt linjärt separerbara problem (förenklat:
problem som innehåller ett “men”).
•
1969 Minsky & Papert — Nätverk med flera lager kan
beräkna alla möjliga funktioner, men det finns inga
inlärningsstrategier för sådana nät…
10
Återuppståndelse
•
1986 McLelland & Rummelhart — Lära nätverk
med flera lager noder genom en viss typ av
algoritm: Gradient back propagation.
11
Inlärning i neurala nätverk
•
Gradient back propagation innebär att de
“ansvariga” länkarna justeras genom uppdatering
av länkarna “baklänges”, lager för lager.
12
Skillnader mellan neutrala
nätverk och hjärnor
•
Det finns inga biologiska evidens för att något i stil
med back propagation-algoritmen är vad som
händer i hjärnan.
•
Den mänskliga hjärnans lärande är inte
“supervised” på det sätt som de flesta neutrala nät
är. Det vill säga, hjärnan klarar att lära sig utan att
få någon explicit extern information om huruvida
den t.ex. kategoriserar någonting “rätt” eller “fel”.
13
Överkurs: “Information”..?
•
Själva begreppet “information” tål också att reflekteras över. Vad
ligger egentligen för underliggande antaganden inbakade i
själva begreppet?
•
I dagliga termer kanske vi tänker på information som t.ex. en text
eller ettor och nollor i en dator, dvs något som redan har
processats, och kanske rent av något “symboliskt” i sig.
•
Att någonting är “information” betyder att det finns “mening” i
det, men kan det finnas mening i något innan någon har
“processat” det?
•
Alternativ: Det som bearbetas är inte i sig “information”.
Information är snarare slutresultatet av den kognitiva processen.
14
Invarians
•
…men för all del, för att någon kognition överhuvudtaget
ska vara möjlig så måste det ju finnas någonting att ta
fasta på, något regelbundet (invariant) och detekterbart.
•
•
Detta kan förstås kallas för “information”, dvs vad man
menar med information är delvis en definitionsfråga.
MEN.. Detta betyder inte att input behöver vara statiskt
på något ytligt sätt — det behöver inte finnas någon
central definierande egenskap utan det invarianta kan
baseras just på en sammanvägning av faktorer där ingen
enskild faktor är grundläggande eller enskilt avgörande.
15
“Intuition”
•
Medan Language of Thought oftast förutsätter en sorts klarhet i
den input som processas så kan neutrala nät hantera mycket
mer diffusa och “brusiga” former av input. Exempelproblem:
•
Identifiera händer i videofiler — computer vision.
•
Skydd mot spam-robotar på internet — det som kan vara lätt
för en människa att läsa kan vara mycket svårt för en dator.
•
Algoritmer för robothandel på börsen.
•
Språkinlärning — t.ex. problematiken med att lära sig
regelbundna och oregelbundna verb. (Se kap 9.1)
16
DeepDream - a code example
for visualizing Neural Networks
•
Google använder neurala nät för sin
bildigenkänningsfunktion.
•
Nyligen har man öppnat upp den här funktionen så
att man kan använda sig av den själv och
experimentera med den, och det finns en del
intressanta och belysande exempel.
•
http://googleresearch.blogspot.se/2015/07/
deepdream-code-example-for-visualizing.html
17
Att låta nätverket “drömma”
•
Att vända på steken: Istället för att mata in en bild
på t.ex. en banan och få den klassificerad som “en
banan” så har de vänt på det hela, för att
visualisera vad som pågår, och kör t.ex. nätverket
baklänges så att man matar in “banan” och får ut
en bild genererad av nätverket.
•
“Fantasi”, “visualiseringsförmåga”, “drömmar”.
18
19
20
21
22
23
24
25
Ett videoexempel
(sök själva på “inceptionism” eller “deepdream” på youtube)
26
Slutligen…
•
Konnektionism kan ses som ett av flera exempel på en hel familj av “subsymboliska” approacher till kognition. Exempelvis finns det många
grundläggande likheter mellan neurala nät och något som kallas för
“Dynamical Systems Theory” (se kapitel 13.2).
•
För vissa syften fungerar neurala nätverk väl. Men de kan också vara
oförutsägbara, så för andra syften kan det vara bättre med mer hårdkodade
typer av styrprogram.
•
•
Tillämpningar: “Realistiskt” (likna människan) vs “ingenjörsmässigt”
•
Det finns olika typer av ANN, en del mer biologiskt trovärdiga än andra
=> Kursen Kognitiv modellering i åk3
Nästa gång lämnar vi artificiell intelligens och då ska jag istället prata om
kroppens roll för tänkande och kognition samt barns utveckling och lärande.
27