Teoria de resonancia adaptiva

TEORIA DE RESONANCIA ADAPTIVA

Descripción de ART1

Una de las habilidades de la mente  humana es la capacidad para aprender nuevas cosas y reentrenarse en las ya aprendidas sin necesariamente olvidarse de todas las cosas ya aprendidas. Como ejemplo podemos citar la habilidad que tenemos para recordar a una persona incluso si no la hemos visto durante algún tiempo y se ha conocido mucho ente en el ínterin. Aún más, al ver a una persona y reconocerlo y grabarse su nueva fisonomía para la siguiente vez que lo veamos.

Y hemos visto una comparación de ART contra dos de los métodos más usuales de la clasificación, pero, por ejemplo en BP, una vez que la red ha sido propiamente entrenada, el sistema está listo para ser puesto en producción, y ninguna modificación adicional a los pesos puede ser hecha. Esto está bien en la mayoría de los casos, pero desafortunadamente, en muchas situaciones, el medio ambiente no es estable.

Aquí llegamos a lo que Stephen Grossberg, uno de los desarrolladores de la Teoría de la Resonancia Adaptiva (ART por sus siglas en inglés) llama el dilema de Estabilidad – Plasticidad, la cual puede ser resumida en las siguientes preguntas:

¿Cómo puede un sistema mantenerse adaptable (Plástico) en respuesta de entradas relevantes, y mantenerse estable en respuesta de entrada irrelevante?

¿Cómo sabe el sistema cuando cambiar entre su estado estable y su estado plástico?

¿Cómo puede el sistema aprender nuevas cosas mientras se retienen las que ya se tienen aprendidas?

Una respuesta a estas preguntas consiste en agregar un mecanismo de retroalimentación entre la capa competitiva y la capa de entrada de una red. Esta capa de retroalimentación facilita el aprendizaje de nueva información sin tener que destruir información previamente almacenada, cambio automática entre los modos plástico y estable y estabilización de códigos entre clases hechas por nodos. En conjunto, tenemos dos arquitecturas de redes, a las cuales nos referimos como ART1 y ART2, y difieren en la naturaleza de sus patrones de entrada.

Búsqueda en memoria autoajustable

Ningún algoritmo de búsqueda como un árbol de búsqueda, puede mantener si eficiencia a medida que una estructura de conocimiento crece debido al aprendizaje en un medio ambiente de entradas único. Un orden de búsqueda que puede ser óptimo en un dominio, se puede volver sumamente ineficaz en un medio ambiente que se vuelve cada vez más complejo debido al aprendizaje.

Un sistema ART es capaz de hacer búsquedas en paralelo en la memoria y de alterar el orden de dichas búsquedas para mantener su eficiencia a medida que su reconocimiento se va haciendo más complejo.

Acceso directo a códigos aprendidos

Una cosa sorprendente en el reconocimiento humano, es la rapidez del reconocimiento de un objeto, a pesar de la cantidad de eventos aprendidos, siempre y cuando no exista un medio ambiente familiar ambiguo. Este tipo de reconocimiento es difícil de crear en un árbol, o en algún medio en el que se tenga que buscar más a medida que más se aprende.

En un ART, a medida que un código se hace consistente y tiene una predictibilidad aceptable, se obtiene un acceso directo al código deseado, o categoría.

...