Representaciones distintas de rostros y objetos en CNN entrenadas individualmente mientras que una CNN de doble tarea funciona bien. (A) Se optimizaron tres redes con arquitectura VGG16 (izquierda), una en la categorizaci\u00f3n de identidad facial (Face CNN en rojo), una en la categorizaci\u00f3n de objetos (Objeto CNN en naranja) y una en ambas tareas simult\u00e1neamente (CNN de doble tarea en gris ). (B) Precisi\u00f3n de decodificaci\u00f3n de identidades de rostros retenidos y categor\u00edas de objetos retenidos utilizando patrones de activaci\u00f3n extra\u00eddos de la pen\u00faltima capa [es decir, FC2 en (A)] de Face CNN y Object CNN. El Face CNN supera al Object CNN en la decodificaci\u00f3n de rostros y viceversa en la decodificaci\u00f3n de objetos. Por lo tanto, las representaciones optimizadas para cada tarea no se apoyan naturalmente entre s\u00ed. La l\u00ednea gris discontinua indica el nivel de probabilidad (1%). Las barras de error indican SEM en los pliegues de clasificaci\u00f3n. (C) Una CNN de doble tarea optimizada en ambas tareas realizadas y las redes separadas (% de precisi\u00f3n superior 1 en el conjunto de prueba). Las barras de error denotan un intervalo de confianza (IC) del 95 % reforzado entre clases y est\u00edmulos. Cr\u00e9dito: Avances cient\u00edficos (2022). DOI: 10.1126\/sciadv.abl8913 <\/p>\n
El cerebro humano tiene regiones funcionales distintas y altamente especializadas para comprender idiomas, reconocer rostros y planificar con anticipaci\u00f3n. Sin embargo, los neurocient\u00edficos a\u00fan deben descifrar el alto grado de especializaci\u00f3n funcional observado en la corteza. En un nuevo estudio publicado ahora en Science Advances, Katharina Dobs y un equipo de cient\u00edficos del departamento de ciencias cerebrales y cognitivas del MIT y el Zuckerman Mind Brain and Behavior Institute de la Universidad de Columbia, Nueva York, EE. UU., investigaron la percepci\u00f3n facial con dispositivos neuronales artificiales. redes para probar la hip\u00f3tesis de que la segregaci\u00f3n funcional del reconocimiento facial en el cerebro reflejaba la optimizaci\u00f3n computacional para aplicaciones m\u00e1s amplias del reconocimiento facial visual. El equipo mostr\u00f3 c\u00f3mo la segregaci\u00f3n visual funcional revel\u00f3 una tendencia generalizada a la optimizaci\u00f3n para crear una especializaci\u00f3n funcional en las m\u00e1quinas y tambi\u00e9n investig\u00f3 m\u00e1s a fondo la complejidad del fen\u00f3meno en relaci\u00f3n con los cerebros. <\/p>\n
Especializaci\u00f3n funcional<\/p>\n
Si bien la idea de la localizaci\u00f3n funcional en el cerebro fue objeto de controversia durante siglos, ahora cuenta con evidencia abrumadora. Las regiones de la corteza pueden activarse selectivamente para una tarea perceptiva o cognitiva espec\u00edfica, que cuando se interrumpe puede producir un deterioro selectivo. Los neurocient\u00edficos buscan cada vez m\u00e1s entender por qu\u00e9 el cerebro exhibe este nivel de especializaci\u00f3n funcional. Las posibilidades incluyen un accidente de evoluci\u00f3n para agregar f\u00e1cilmente m\u00f3dulos y resolver nuevos problemas. Los investigadores tambi\u00e9n han destacado la modulaci\u00f3n selectiva de los procesos mentales a trav\u00e9s de la especializaci\u00f3n funcional. Y una tercera posibilidad son las razones computacionales para completar tareas que no se pueden resolver con maquinaria comparativamente gen\u00e9rica. En este trabajo, Dobs et al. prob\u00f3 la tercera hip\u00f3tesis para comprender uno de los casos mejor establecidos de especializaci\u00f3n funcional en el cerebro en relaci\u00f3n con el reconocimiento visual de rostros. El equipo emple\u00f3 redes neuronales convolucionales profundas (CNN) avanzadas para lograr un rendimiento a nivel humano en algunas tareas de reconocimiento visual. Sobre la base de extensos estudios con redes entrenadas por objetos y caras sobre el reconocimiento de rostros y objetos, Dobs et al. revel\u00f3 una tendencia general a la segregaci\u00f3n de tareas en redes, abriendo la puerta a investigar arquitecturas espec\u00edficas, y dietas de entrenamiento para detectar las tareas que ser\u00e1n segregadas en redes, e hipot\u00e9ticamente tambi\u00e9n en cerebros.<\/p>\n
Experimentos de lesi\u00f3n en los \u00faltimos La capa convolucional revela la segregaci\u00f3n espont\u00e1nea de tareas. (A) Esquema de los experimentos de lesi\u00f3n para la \u00faltima capa convolucional (ver Conv13 en la Fig. 1A) en VGG16. Se elimin\u00f3 cada filtro de la capa mientras se med\u00edan las p\u00e9rdidas en lotes de im\u00e1genes de caras (arriba) y objetos (abajo). Los filtros se ordenaron por rango seg\u00fan sus p\u00e9rdidas correspondientes para determinar aquellos que m\u00e1s contribuyen al reconocimiento de rostros (rojo) u objetos (naranja). (B) Rendimiento normalizado de las tareas de cara y objeto despu\u00e9s de lesionar el 20% de los filtros de rango m\u00e1s alto para la tarea de cara (arriba) y la tarea de objeto (abajo) en la \u00faltima capa convolucional. Las barras de error denotan IC del 95 % arrancados entre clases y est\u00edmulos. Cr\u00e9dito: Avances cient\u00edficos (2022). DOI: 10.1126\/sciadv.abl8913 Las redes entrenadas solo en objetos no funcionan bien en el reconocimiento facial<\/p>\n
Para probar si las CNN entrenadas en objetos sirven el reconocimiento facial y viceversa, Dobs et al. entren\u00f3 dos redes VGG16 inicializadas aleatoriamente, como propusieron inicialmente A. Zisserman y K. Simoyan de la Universidad de Oxford, para la identificaci\u00f3n de rostros y la categorizaci\u00f3n de objetos. El equipo decodific\u00f3 identidades de rostros desconocidos de redes entrenadas por rostros y objetos desconocidos de la red entrenada por objetos, como se esperaba. Notaron un rendimiento significativamente peor en el reconocimiento de rostros con la red entrenada por objetos que con la red entrenada por rostros, y viceversa para el reconocimiento de objetos, lo que indica c\u00f3mo las representaciones aprendidas para una tarea espec\u00edfica no se traducen f\u00e1cilmente a otra tarea. Al igual que el cerebro, cada tarea parec\u00eda beneficiarse de representaciones especializadas espec\u00edficas de tareas. <\/p>\n
Segregaci\u00f3n espont\u00e1nea de tareas de rostros y objetos en etapas de procesamiento de nivel medio. (A) Segregaci\u00f3n de tareas, medida como \u00edndice combinado de las diferencias en las ca\u00eddas proporcionales en el rendimiento en la tarea de cara y objeto, cuando el 20% de los filtros de mayor contribuci\u00f3n se eliminan en cada capa convolucional. La segregaci\u00f3n de tareas aument\u00f3 despu\u00e9s de las primeras capas convolucionales hasta un \u00edndice m\u00e1ximo de 0,75. El \u00e1rea sombreada representa los IC del 95 % reforzados entre clases y est\u00edmulos. (B) Im\u00e1genes optimizadas para generar respuestas en tres filtros de ejemplo entre los 10 mejores filtros seleccionados para la tarea de la cara (izquierda) y el objeto (derecha) en las capas convolucionales 5, 9 y 13 (filas). El tama\u00f1o de los campos receptivos aumenta y las caracter\u00edsticas se vuelven m\u00e1s espec\u00edficas para las tareas en las capas posteriores. Cr\u00e9dito: Avances cient\u00edficos (2022). DOI: 10.1126\/sciadv.abl8913 <\/p>\n
Formaci\u00f3n de una red de formaci\u00f3n dual<\/p>\n
Para eludir las limitaciones, Dobs et al. se pregunt\u00f3 si entrenar una sola red para realizar ambas tareas llevar\u00eda a descubrir un espacio com\u00fan de caracter\u00edsticas de alto rendimiento para caras y objetos. Para abordar esto, entrenaron una nueva red tanto en identidad facial como en categorizaci\u00f3n de objetos. La red de tareas duales se desempe\u00f1\u00f3 inesperadamente casi tan bien en cada tarea, lo que indica un espacio de caracter\u00edsticas com\u00fan para que las redes resuelvan ambas tareas, lo que argumenta en contra de la hip\u00f3tesis de especializaci\u00f3n funcional para un alto rendimiento de tareas. Otra posibilidad era que la red aprendiera a segregarse en el reconocimiento de rostros y objetos, aunque el equipo no incorpor\u00f3 nada en la arquitectura de la red para facilitar esto. Para probar esta posibilidad, realizaron una serie de experimentos y los resultados indicaron una segregaci\u00f3n espont\u00e1nea de la red en distintos subsistemas para el reconocimiento de rostros y objetos, a pesar de la falta de un sesgo inductivo espec\u00edfico de la tarea para fomentar el resultado. <\/p>\n
La CNN con entrenamiento dual est\u00e1 m\u00e1s correlacionada con el comportamiento. Correlaciones entre RDM de comportamiento para est\u00edmulos de cara (izquierda, n = 14) u objeto (derecha, n = 15) y RDM espec\u00edficos de capa obtenidos de patrones de activaci\u00f3n en Face CNN (rojo), Object CNN (en amarillo) y la CNN de doble tarea (en gris) a los est\u00edmulos correspondientes. Las \u00e1reas sombreadas con colores indican SEM de arranque entre los participantes. Las barras horizontales sombreadas en gris indican el techo de ruido estimado en funci\u00f3n de la variabilidad entre los participantes. Cr\u00e9dito: Avances cient\u00edficos (2022). DOI: 10.1126\/sciadv.abl8913 <\/p>\n
Mayor segregaci\u00f3n de tareas en capas como el cerebro<\/p>\n
Dobs et al. a continuaci\u00f3n, determin\u00f3 si la segregaci\u00f3n de tareas se acumulaba en las capas de la red. En el cerebro de los primates, las categor\u00edas habituales se procesan para compartir un conjunto inicial de caracter\u00edsticas comunes, durante las primeras etapas de procesamiento (retina, etc.), seguido de la ramificaci\u00f3n en v\u00edas espec\u00edficas de categor\u00eda (cara, cuerpo, etc.). El equipo busc\u00f3 comprender tales similitudes con las CNN (redes neuronales convolucionales) de entrenamiento dual y descubri\u00f3 que la segregaci\u00f3n de tareas era peque\u00f1a en las primeras capas, mientras que aumentaba con las capas posteriores. Seg\u00fan los resultados, el procesamiento de rostros y objetos divergi\u00f3 gradualmente en las etapas intermedias del procesamiento dentro de la red para volverse altamente segregado en las \u00faltimas etapas, al igual que las caracter\u00edsticas observadas en el cerebro de los primates. Estudios posteriores de las caracter\u00edsticas destacaron la jerarqu\u00eda de procesamiento. Los resultados mostraron que el alto grado observado de segregaci\u00f3n funcional no surgi\u00f3 de los sesgos del conjunto de datos, sino que fue impulsado por distintas caracter\u00edsticas visuales de nivel medio a alto por tarea. <\/p>\n
Segregaci\u00f3n espont\u00e1nea en diversos grados para el reconocimiento de alimentos o autom\u00f3viles. (A) Adem\u00e1s del modelo de tarea dual para tareas de cara y objeto (rojo), entrenamos un modelo de tarea dual en comida (verde) y categorizaci\u00f3n de objetos y otro en autom\u00f3vil (azul) y categorizaci\u00f3n de objetos. (B) La segregaci\u00f3n de tareas se midi\u00f3 lesionando los filtros m\u00e1s contribuyentes para rostros, alimentos y autom\u00f3viles (respectivamente) y objetos en cada capa convolucional. La segregaci\u00f3n de tareas se encontr\u00f3 para todas las tareas en diversos grados. La segregaci\u00f3n de tareas para autom\u00f3viles y objetos aument\u00f3 m\u00e1s tarde, en menor grado, que para alimentos o rostros y objetos. Las \u00e1reas sombreadas con colores indican IC del 95 % que se arrancan entre clases y est\u00edmulos. Cr\u00e9dito: Avances cient\u00edficos (2022). DOI: 10.1126\/sciadv.abl8913 Redes segregadas funcionalmente y segregaci\u00f3n funcional variable<\/p>\n
El trabajo reflej\u00f3 la especializaci\u00f3n funcional en el sistema visual humano, aunque no estaba claro si las especies de caracter\u00edsticas aprendidas podr\u00edan funcionar de manera similar al sistema visual humano. . Para examinar esto, Dobs et al. realiz\u00f3 dos experimentos de comportamiento para medir la similitud percibida de los est\u00edmulos faciales y de objetos. Para cada tarea, el equipo correlacion\u00f3 las matrices de disimilitud de la representaci\u00f3n del comportamiento de cada participante para cada capa de redes neuronales complicadas entrenadas en cara, entrenadas en objetos y entrenadas en tareas duales. La red de tareas duales captur\u00f3 el comportamiento humano tanto en la cara como en las tareas para mostrar c\u00f3mo las soluciones aprendidas realizaron tareas similares al sistema visual humano y explor\u00f3 esta configuraci\u00f3n para otras categor\u00edas visuales. El resultado indic\u00f3 que, si bien la segregaci\u00f3n funcional que se encuentra en el cerebro tambi\u00e9n se puede encontrar en redes neuronales intrincadas, los cerebros no se asemejan por completo a los matices de las redes neuronales.<\/p>\n
Outlook<\/p>\n
De esta manera, Katharina Dobs y sus colegas examinaron exhaustivamente la especializaci\u00f3n funcional de la organizaci\u00f3n cerebral para probar la hip\u00f3tesis de que la especializaci\u00f3n en el cerebro puede resultar de la optimizaci\u00f3n de m\u00faltiples tareas naturales. Predijeron que sistemas computacionales muy diferentes pueden llegar a una soluci\u00f3n similar y probaron la hip\u00f3tesis en redes neuronales complicadas (CNN) para comprender uno de los casos mejor establecidos de especializaci\u00f3n funcional en el reconocimiento de rostros cerebrales. Los resultados destacaron de manera interesante por qu\u00e9 el cerebro est\u00e1 organizado de la forma en que lo est\u00e1. Los resultados indican que la segregaci\u00f3n funcional es una consecuencia natural de la resoluci\u00f3n de m\u00faltiples tareas. Los m\u00e9todos desarrollados en este trabajo permitir\u00e1n a los cient\u00edficos probar estas hip\u00f3tesis y otras ideas. <\/p>\n
Explore m\u00e1s<\/p>\n
Los neurocient\u00edficos utilizan un modelo de aprendizaje profundo para simular la topograf\u00eda del cerebro M\u00e1s informaci\u00f3n:<\/strong> Katharina Dobs, Julio Martinez Alexander, JE Kell y Nancy Kanwisher, La especializaci\u00f3n funcional similar al cerebro surge espont\u00e1neamente en profundidad redes neuronales, Science Advances (2022). DOI: 10.1126\/sciadv.abl8913 <\/p>\n Guangyu Robert Yang et al, Representaciones de tareas en redes neuronales entrenadas para realizar muchas tareas cognitivas, Nature Neuroscience (2019). DOI: 10.1038\/s41593-018-0310-2 Informaci\u00f3n de la revista:<\/strong> Science Advances , Nature Neuroscience <\/p>\n","protected":false},"excerpt":{"rendered":" Representaciones distintas de rostros y objetos en CNN entrenadas individualmente mientras que una CNN de doble tarea funciona bien. (A) Se optimizaron tres redes con arquitectura VGG16 (izquierda), una en la categorizaci\u00f3n de identidad facial (Face CNN en rojo), una en la categorizaci\u00f3n de objetos (Objeto CNN en naranja) y una en ambas tareas simult\u00e1neamente … Continuar leyendo \u00abEl surgimiento espont\u00e1neo de una especializaci\u00f3n funcional similar al cerebro en redes neuronales\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-9826","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/9826","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=9826"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/9826\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=9826"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=9826"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=9826"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}