В.А. Ляховецкий. Использование искусственных нейронных сетей типа ассоциативная память для изучения памяти человека

Выступление В.А. Ляховецкого с докладом "Использование искусственных нейронных сетей типа ассоциативная память для изучения памяти человека" на семинаре ""Автоматизм инсайта, или Почему удивляются роботы". Тезисы доклада и видео опубликованы на сайте Cogito ergo ... : http://wp.me/p2R6FC-V

Transcript

1. Использование искусственных нейронных сетей типа ассоциативная память для изучения памяти человека к.т.н., м.н.с. лаб. Физиологии движений ИФ РАН Ляховецкий В.А. e-mail: v_la2002@mail.ru
2. Сети типа ассоциативная память Состоят из формальных нейронов – пороговых сумматоров. На вход сетей подается закодированная в числовую форму некоторым образом информация об объектах. Каждый нейрон входного слоя связан с каждым нейроном выходного слоя связью, имеющей некоторый вес. Процесс создания (и обучения) сети заключается в вычислении матрицы связей. Автоассоциативные сети (Хопфилда) – сохраняют информацию об единичных объектах (связывают объект с ним самим). Могут использоваться для того, чтобы восстановить истинную версию объекта по искаженной. Гетероассоциативные сети (Коско) – сохраняют информацию о парах объектов (связывают пары объектов).
3. Гетероассоциативная сеть Сохраняет пары объектов. Может восстановить объект, когда ассоциированный с ним объект предлагается ей в качестве подсказки. В сети два слоя элементов — по одному для каждого из объектов пары. Оба слоя соединяются двунаправлен-ными связями, т.е. актив-ность может передаваться по связям в обоих направлениях. Y X W T = (для одной пары объектов) ∑ = i i T i Y X W (для i пар объектов) ∑ + = i i T i X X W 1 (для последовательности) Kosko, 1988
4. Особенности нейронных сетей •распределенное хранение информации (устойчивость к выпадению элементов); •параллельные вычисления (рост быстродействия); •возможность обучения (проще формализовать обучение по сравнению с обучением других представлений алгоритмов); •некоторое обобщение запомненного (по зашумленному образцу возможно восстановить верный). ---------------------------------------------------------------------------------- - •Небольшая емкость; •Способность допускать ошибки при воспроизведении; •Способность к быстрому обучению.
5. 1) На первый слой подается объект X. 2) Распространяется активность на второй слой. Вход элемента второго слоя равен net j = SUM i (x i w ij ) 3) Вычисляется новое состояние для каждого элемента второго слоя.y j = f(net j ) 4) Распространяется активность на первый слой. Вход элемента первого слоя равен net i = SUM j (y j w ji ) 5) Вычисляется новое состояние для каждого элемента первого слоя. x i = f(net i ) Двустороннее распространение сигналов активности повторяется до тех пор, пока не будет достигнуто устойчивое состояние. Число итераций, требуемых для достижения устойчивого состояния, зависит от правильности воспроизведенного объекта (Andersen et al., 1977; Ляховецкий, Потапов, 2012). Динамика ассоциативной сети
6. Заучивание последовательности методика Лист А4 расположен под сенсорным экраном. В шести его клетках, выбранных случайным образом, располагаются цифры, по которым экспериментатор последовательно перемещает правую руку испытуемого. Испытуемый, находящийся с завязанными глазами, должен запомнить и немедленно воспроизвести движения руки (Ляховецкий, Боброва, 2009, 2010). Процесс повторяется до полного заучивания последовательности (не менее 7 повторений). 3 6 4 5 1 2
7. Обработка результатов ошибки положения 1 1 Для двух последовательных серий движений выделяли одинаковые повторные ошибки по положению (испытуемый дважды неправильно воспроизводил положение руки с расхождением не более, чем на 2 см).
8. Результаты экспериментов (человек) Ось абсцисс – номер опыта. Число ошибок
9. Результаты экспериментов (человек) Ось ординат – среднее время ответа (мс). среднее время правильных и ошибочных ответов
10. Результаты экспериментов (человек) Ось абсцисс– номер опыта. число правильных и ошибочных ответов
11. Схема работы модели По алгоритму QLBAM (Hattori et al., 1993) корректируется матрица весов для тех векторов, которые медленно воспроизводятся сетью.
12. Результаты экспериментов (модель) Ось абсцисс – номер опыта. Число ошибок
13. Результаты экспериментов (модель) Ось ординат – среднее «время» ответа (итераций). среднее «время» правильных и ошибочных ответов
14. Результаты экспериментов (модель) Ось абсцисс– номер опыта. число правильных и ошибочных ответов
15. Вывод Нейронные сети типа «ассоциативная память» могут быть полезны для осмысления динамики работы памяти человека.