Información

¿Por qué el modelado cognitivo bayesiano?

¿Por qué el modelado cognitivo bayesiano?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Recientemente leí un artículo sobre la síntesis del programa bayesiano. Dice que el modelado cognitivo bayesiano ayudaría a los sistemas de inteligencia artificial a aprender de algunos ejemplos en comparación con el aprendizaje profundo. Pero no pude entender las ventajas de usar bayesianas frente a otras formulaciones en el modelado cognitivo. Me gustaría entender por qué se destaca este enfoque bayesiano. ¿Cuáles son los inconvenientes de los enfoques actuales del modelado cognitivo?


Aquí hay una respuesta rápida a partir de conocimientos generales, no de ningún conocimiento específico de "Síntesis de programas bayesianos (BPS)".

En general, los modelos bayesianos pueden usar a priori fuertemente informados o a priori difuso "podría ser cualquier cosa". Los antecedentes fuertes especifican que muchos valores de parámetros son muy poco probables, mientras que algunos otros valores de parámetros son descripciones posibles de los datos. Con un previo sólido, se necesitan relativamente pocos datos para analizar las posibilidades (es decir, un aprendizaje más rápido). Los antecedentes débiles permiten una gama mucho más amplia de posibilidades, pero se necesitan muchos datos para reducir las posibilidades (es decir, un aprendizaje más lento).

Muchos modelos bayesianos de la mente utilizan fuertes antecedentes. Dichos modelos vienen preestablecidos con estructuras particulares o dependencias de parámetros que se ajustan al tipo de problema que se necesita aprender. Esto no es "hacer trampa"; lo anterior es una parte crucial de la teoría. Otro ejemplo proviene de la visión por computadora: averiguar qué objetos e iluminación produjeron una imagen 2D pixelada solo se puede hacer asumiendo un conocimiento previo sólido de los tipos de objetos y tipos de iluminación "que existen" en el mundo; de lo contrario, es un problema sin solución. Un artículo introductorio es aquí o aquí (en concreto, consulte la sección sobre "Conocimientos previos" a partir de la p. 17).

El aprendizaje profundo, sin embargo, es (hasta donde yo sé) un enfoque genérico que puede aprender sobre cualquier posible relación entre variables. El costo de esta previa débil es que se necesita una tonelada de entrenamiento para reducir la distribución de parámetros.


Ver el vídeo: Cognitivismo (Agosto 2022).