8
Vertiefung Kognition (Subject) / Neuronale Netzwerke (Lesson)
- Was sind neuronale Netzwerke? echten neuronalen Strukturen nachempfunden → Modellierung von GehirnaktivitätenBsp.: Sprache, Lernen → prinzipiell jedes Erleben & Verhalten modellierbar bestehend aus:- Zellen (Neurone)- Verbindungen (Axone, Dendriten, Synapsen) Lernen = Modifikation der Verbindungsstärken→ einfaches Prinzip: zwischen Zellen, die oft zusammen aktiv sind, erhöht sich die Verbindungsstärke = hebbsches Lernen
- Lernen mit Feedback. Delta-Regel & Backpropagation: Δw=εδαinGewichtsänderung zu einem Neuron = Lernparameter * Diskrepanz * Inputδ: Diskrepanz - Neuron hat tatsächlichen Output und durch Lernen mit Feedback einen Zieloutputε: konstanter Lernparameter - wie groß sind Veränderungen bei jedem Lernvorgang Beispiel: Lernen logischer FunktionenProblem: lineare Trennbarkeit - manche Musterzuordnungen können nicht mit einfachen Netzen gelernt werden → Lösung: Hidden Layers (Backpropagation: Fehler wird über mehrere Schichten zurückpropagiert) Beispiel: Lernen von SequenzenProblem: nur gleichzeitig auftretende Sachen verbindbar → rekurrentes Netzwerk (Kontext-Units: Speicherung der jeweiligen Schritte davor, Einbeziehung von Vorwissen)
- Lernen ohne Feedback. verbreitet in natürlichen neuronalen Netzwerken Competitive-Learning Netzwerk- Ausgabezellen in Konkurrenz (inhibitorisch verbunden) → sensitiv für spezielle Reize- Winner takes it all: Ausdifferenzierung / Spezialisierung der Ausgabeknoten
- Was ist das PASS-Modell? = einfaches rekurrentes Netzwerk & Competitive Learning PASS = Probability Associator
- PASS-T = ? Beruhen Häufigkeits- und Zeitschätzungen auf gleichem Mechanismus? → bestehende empirische Evidenz für gegenseitige Beeinflussung (s. Winkler et al., 2015; Gehirnforschung: gemeinsame neuronale Mechanismen) → PASS-T: Verwendung gleicher Gedächtnisrepräsentation für Häufigkeits- und Zeitschätzungen Erweiterungen: Pacemaker: Objekte / Ereignisse in konkreten Zeitschritten enkodiert Aufmerksamkeitsvariation → Veränderungen im Lernparameter
- Kann PASS-T den gegenseitigen Einfluss von Zeit und Häufigkeit simulieren? Simulation des Experimentes von Winkler et al., (2015) mit PASS-T → Zeitschätzung des Reizes im Experiment korreliert zu r = .93 mit Aktivierung in PASS-T
- PASS-T: Generelle Vorhersagen Häufigkeits- & Zeitschätzung kovariieren mit Aufmerksamkeitsausmaß geringe Aufmerksamkeit → asymmetrische Ergebnisse (Häufigkeit auf Zeit, nicht umgekehrt) hohe Aufmerksamkeit → symmetrische Ergebnisse Geschwindigkeit des Pacemakers beeinflusst (insb.) Zeitschätzungen Recency Effect als Konsequenz des assoziativen Lernmechanismus (vor kurzem enkodierte Reize stärkere Auswirkungen auf Zeit- & Häufigkeitsschätzungen)
- Wie unterscheiden sich künstliche neuronale Netzwerke und wirklich neuronale Netzwerke? künstliche: häufig wesentlich vereinfacht (tatsächliche NN im Gehirn mehr Neuronen, mehr Verbindungen, mehr Schichten) Neuronen im Gehirn feuern in schnellen Intervallen (=Rate von Spikes),in künstlichen NN resultiert für jede Output-Zelle nur eine Summe an Aktivierung (Netinput)
Advertisement