O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

Obhajoba dizertačnej práce (slovensky)

608 visualizações

Publicada em

slides to my dissertation thesis presentation in Slovak,
topic: grounding meaning in sensorimotor cognition using artificial neural networks and cognitive robots

Publicada em: Ciências
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Obhajoba dizertačnej práce (slovensky)

  1. 1. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Ukotvenie významov v senzomotorickej kognícii: konekcionistický prístup obhajoba dizertačnej práce RNDr. Kristína Rebrová školiteľ: doc. Ing. Igor Farkaš, PhD. Katedra aplikovanej informatiky, FMFI UK 27. marec 2014 1 / 30
  2. 2. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Prehľad 1 Motivácia a empirické poznatky 2 Robotický model systému zrkadliacich neurónov 3 Algoritmus obojsmerného učenia na báze aktivačných fáz 4 Experimenty a výsledky 5 Zhrnutie a záver 2 / 30
  3. 3. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Ukotvená kognícia kognitivizmus vs. stelesnená kognícia stelesnená a ukotvená kognícia: závisí na tele situovanom v prostredí, s ktorým agent interaguje význam konceptov musí byť agentovi vlastný, rovnako ako jeho kognitívne schopnosti (riadenie, porozumenie, rozhodovanie) rastúca empirická podpora 3 / 30
  4. 4. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Senzomotorická kognícia porozumenie na základe prepojenia akcie a percepcie - párovanie pozorovanej akcie a akcie z vlastného motorického repertoára systém zrkadliacich neurónov (mirror neuron system, MNS) (Pellegrino a kol., 1992; Rizzolatti a kol. 2001; Rizzolatti a Sinigaglia, 2010) obojsmerný tok informácie medzi vizuálnymi a motorickými oblasťami (Tessitore a kol,2010) variantné a invariantné neuróny v STS (Perret a kol, 1991), ale aj v F5 (Caggiano a kol, 2009) 4 / 30
  5. 5. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Systém zrkadliacich neurónov 5 / 30
  6. 6. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Výpočtové modely systému zrkadliacich neurónov klasický prístup: napr. MNS1 (Oztop a Arbib, 2002) model reflektuje biologické časti MNS základný predpoklad: vizuálna informácia, ktorá vstupuje do MNS je pozične invariantná ill-posed problem, zjednodušenie Farkaš I., Malý M., Rebrová K.: Mirror neurons – theoretical and computational issues. Technical report TR-2011-028. Comenius University in Bratislava. 2011. 6 / 30
  7. 7. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Robotický model systému zrkadliacich neurónov MSOM motor executive module visual preprocessing module F5 mirror neurons (after kWTA) MSOM STSp variant visual representation (after kWTA) STSa invariant visual representation (SOM) BAL bidirectional association sending weights sending weights input sequences input sequences AIP PATHWAY PF PATHWAY interakcia medzi MN a STS (Tessitore a kol., 2012) modulárna architektúra, na najvyššej úrovni dochádza k rozpoznaniu a porozumeniu akcii robot iCub sa učí uchopovať predmety 3 spôsobmi párovanie motorickej reprezentácie akcie s vizuálnymi reprezentáciami zo 4 perspektív Rebrová K., Pecháč M., Farkaš I.: Towards a robotic model of the mirror neuron system. Proc. of ICDL Epi-Rob, IEEE. 2013. 7 / 30
  8. 8. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Nižšie exekučné a percepčné moduly Úchop silou Úchop zboku Presný úchop spojité učenie posilňovaním (reinforcement learning), algoritmus CACLA (Continuous Actor Critic Learning Automaton, van Hasselt, 2007) motorické dáta: hodnoty zo 16 kĺbov pravého ramena robota "predspracované" vizuálne dáta: 3D súradnice kĺbov robota + prstov zrotované, preškálované a premietnuté do 2D perspektívy: 0◦ = vlastná, 180◦ = oproti, 90◦ a 270◦ = zboku Farkaš I., Malík T., Rebrová K.: Grounding the meanings in sensorimotor behavior using reinforcement learning. Frontiers in Neurorobotics 6(1). 2012. doi: 10.3389/fnbot.2012.00001. 8 / 30
  9. 9. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Vyššie asociačné oblasti F5 a STSp rekurentná samoorganizujúca sa zlučovacia mapa MSOM (Merge SOM, Strickert a Hammer, 2005) topografické mapovanie motorických (F5) a vizuálnych (STSp) sekvencií binarizácia: algoritmus k-WTA (k víťazov berie všetko) winp (t) xnx1 q1 qn q(t)x(t) wctx (t) winp (t-1) wctx (t-1) 9 / 30
  10. 10. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Najvyššie oblasti modelu: PF a AIP dráhy dráha PF: obojsmerná asociácia medzi F5 a STSp cez oblasť PF (skrytá vrstva) algoritmus BAL odvodený od biologicky plauzibilného algoritmu GeneRec najnovšia časť modelu: dráha F5a–AIP–STSa (AIP pathway) motorická informácia z F5 (typ úchopu) premietnutá do STSa cez AIP - uľahčuje formovanie invariantných reprezentácií v STSa nový algoritmus: SOM s laterálnou excitáciou ai = aSOM i + N j=0 wlat ij aj , (1) aSOM i = exp(−di ). (2) 10 / 30
  11. 11. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Algoritmus obojsmerného učenia na báze aktivačných fáz F F B B vrstva x y skrytá vrstva xh hy váhy hx yhváhy váhy váhy vrstva odvodené od zovšeobecnenej recirkulácie (Generalized Recirculation, GeneRec) (O’Reilly, 1996, O’Reilly a Munakata, 1999) biologicky plauzibilné učenie na báze rozdielu aktivačných fáz 2 vstupno–výstupné vrstvy x a y a 2 aktivačné fázy: dopredná (F) a spätná (B) Farkaš I., Rebrová K.: Bidirectional activation-based neural network learning algorithm. Proc. of ICANN. Springer. 2013. 11 / 30
  12. 12. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver BAL: úprava váh inicializácia: malé náhodné hodnoty s Gaussovskou distribúciou v smere F: ∆wF ij = λ · aF i (aB j − aF j ) v smere B: ∆wB ij = λ · aB i (aF j − aB j ) rýchlosť učenia λ Trénovateľné prahy neurónov Layer Phase Net Input Activation x F - xF i h F ηF j = i wIH ij xF i hF j = σ(ηF j ) y F ηF k = j wHO jk hF j yF k = σ(ηF k ) y B - yB k h B ηB j = k wOH kj yB k hB j = σ(ηB j ) x B ηB i = j wHI ji hB j xB i = σ(ηB i ) 12 / 30
  13. 13. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver GeneRec verzus BAL jednosmerné mapovanie dynamické neuróny čiastočné obojsmerné šírenie aktivácie obojsmerná asociácia "štandardné" neuróny kompletne obojsmerné šírenie aktivácie 13 / 30
  14. 14. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver BAL: enkodér 4-2-4 konvergencia: BAL: 65% GeneRec základný: 90%, Generec symetrický a CHL: 56% počet epoch: 102 až 103 (GeneRec konverguje rýchlejšie) 0 1 2 3 0 20 40 60 rýchlosť učenia úspešnésiete 2 2.1 2.2 0 20 40 0 1,000 2,000 3,000 4,000 5,000 0 0.5 1 epocha úspešnosťsiete vzoryF vzoryB bityF bityB MSEF MSEB 0 1 2 3 0 1,000 2,000 3,000 rýchlosť učenia epochy 2 2.1 2.2 0 500 1,000 1,500 14 / 30
  15. 15. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver BAL: riedke binárne vzory motivácia pre typ dát: riedke (sparse) reprezentácie v mozgu 100 párov náhodných vzorov, 144 bitov, k = 12 aktívnych bitov 0 500 1,000 1,500 2,000 2,500 0 0.5 1 epocha úspešnosťsiete vzoryF vzoryB bityF bityB MSEF MSEB 15 / 30
  16. 16. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver BAL: riedke binárne vzory optimálne λ = 0.2 a nH = 120 (vplýva hlavne na dĺžku trénovania) aktivácie na skrytej vrstve: blížia sa k sebe (hodnoty okolo 0.5) 0.1 0.2 0.3 0.4 0.5 0 0.5 1 rýchlosť učenia úspešnosťsiete bityF bityB vzoryF vzoryB 0.3 0.32 0.34 0 0.5 1 80 100 120 140 160 180 0.94 0.96 0.98 1 veľkosť skrytej vrstvy úspešnosťsiete bityF bityB vzoryF vzoryB 100 150 1,000 2,000 3,000 epochy 16 / 30
  17. 17. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver BAL: komplexné asociácie motivácia pre typ dát: asociácia 4 perspektív na 1 pohyb 16 párov vzorov, 16 bitov, k = 3 pozitívnych optimálna λ = 1.0, optimálna nH = 14 0 0.5 1 1.2 0 0.5 1 rýchlosť učenia úspešnosťsiete bityF bityB vzoryF vzoryB 10 15 20 25 0 0.5 1 veľkosť skrytej vrstvy úspešnosťsiete vzoryF vzoryB bityF bityB 17 / 30
  18. 18. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver BAL: komplexné asociácie značne menšia úspešnosť pre nejednoznačný smer B (bity ≈ 86%, vzory len ≈ 4%) splnené očakávanie: sieť nevie určiť, ktorý zo 4 asociovaných vzorov vybrať 0 200 400 600 800 1,000 0 0.5 1 epocha úspešnosťsiete bityF bityB vzoryF vzoryB MSEF MSEB 18 / 30
  19. 19. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Robotický MNS: asociačné oblasti víťazné neuróny pri použití optimálnych parametrov a rozmerov sietí F5: víťazi podľa úchopu STSp: víťazi podľa úchopu STSp: víťazi podľa perspektívy 19 / 30
  20. 20. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Robotický MNS: optimálne parametre pre BAL 0 0.1 0.2 0.3 0 5 · 10−2 0.1 0.15 learning rate meansquarederror MSEF MSEB 0 0.1 0.2 0.3 0 0.2 0.4 0.6 0.8 1 learning rate úspešnosťsiete vzoryF vzoryB 0 0.1 0.2 0.3 0.85 0.9 0.95 1 learning rate bitsuccess bityF bityB 0 0.1 0.2 0.3 1,200 1,400 1,600 1,800 2,000 learning rate epochs epochs 150 200 250 300 0 1 2 ·10−3 veľkosť skrytej vrstvy meansquarederror MSEF MSEB 150 200 250 300 900 1,000 1,100 1,200 1,300 veľkosť skrytej vrstvy epochs epochs 20 / 30
  21. 21. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Robotický MNS: obojsmerná asociácia STSp a PF učiaci experiment: ako prvá vznikne asociácia medzi prvou (vlastnou) perspektívou a motorickou reprezentáciou, neskôr sa pripoja ďalšie perspektívy 0 1,000 2,000 3,000 4,000 5,000 0 0.5 1 epocha úspešnosťsiete vzoryF vzoryB bityF bityB 21 / 30
  22. 22. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Robotický MNS model: príklad reprodukcie vzorov Reprodukcia vzorov: prvá perspektíva Reprodukcia vzorov: všetky perspektívy a) želaná aktivácia; b) výstup siete; c) zhoda medzi a) a b) 22 / 30
  23. 23. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Robotický MNS model invariantné reprezentácie v STSa SOM s laterálnou excitáciou predbežný výsledok: invariancia vzniká, no nie kompletná STSa: víťazi podľa typu úchopu STSa: víťazi podľa perspektívy 23 / 30
  24. 24. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Výsledky a závery očakávaná topografická separácia tried na výsledných mapách, no perpektíva pohľadu je dominantnejšia než typ úchopu vzory na motorickej mape modelu možno úspešne zreprodukovať pomocou vizuálnych dát - zrkadliaca aktivita chyby na robotických dátach sa vyskyujú skôr v rámci kategórie, než medzi kategóriami obojsmerné učenie vplýva na konvergenciu BAL emergujúce reprezentácie na skrytej vrstve nemajú tendenciu binarizovať sa (nevznikajú interné reprezentácie) motorická informácia z F5 prispieva k vzniku invariancie v STSa 24 / 30
  25. 25. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Ďalší postup pri skúmaní algoritmu BAL a modelovaní MNS Algoritmus BAL skúmať konvergenciu algoritmu, jeho citlivosť na rýchlosť učenia a charakter obojsmerého prepojenia skúmať reprezentácie na skrytej vrstve a tiež možnosti ako ovplyvniť vznik reprezentácií aj na tejto vrstve (v kontexte systému zrkadliacich neurónov) Robotický model MNS zaviezť do modelu ďalšie perspektívy získať a použiť "pestrejšie" dáta z exekutívneho CACLA modulu skúmať a zdokonaliť mechanizmus pre vznik invariantných reprezentácií v STSa skúmať možnosť vzniku čiastočne variantných reprezentácií aj v F5 25 / 30
  26. 26. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Koniec Ďakujem za pozornosť Kristína Rebrová kristina.rebrova@gmail.com 26 / 30
  27. 27. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Zoznam relevantných publikácií K. Rebrová, M. Pecháč a I. Farkaš. Towards a robotic model of the mirror neuron system. V Proceedings of the 3rd joint IEEE International Conference on Development and Learning and on Epigenetic Robotics. Osaka, Japan, 2013. (in press). I. Farkaš a K. Rebrová. Bidirectional activation-based neural network learning algorithm. V Proceedings of the International Conference on Artificial Neural Networks (ICANN), Sofia, Bulgaria. 2013. (in press). K. Rebrová a I. Farkaš. Robotický model systému zrkadliacich neurónov: experimentálna analýza. V J. Kelemen, J. Rybár, I. Farkaš a M. Takáč, redaktori, Kognice a umělý život XIII, 223–230. Slezská univerzita, Opava, 2013. I. Farkaš, T. Malík a K. Rebrová. Grounding the meanings in sensorimotor behavior using reinforcement learning. Frontiers in Neurorobotics, 6(1), 2012. Doi: 103389/fnbot201200001. K. Rebrová. Stelesnené porozumenie a ideomotorická teória. V J. Rybár, redaktor, Kognitívne paradigmy, 127–150. Vydavateľstvo Európa, 2012. 27 / 30
  28. 28. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Zoznam relevantných publikácií K. Rebrová a I. Farkaš. Robotický model systému zrkadliacich neurónov. V N. P. Kelemen J., redaktor, Kognice a umělý život XII, 231–238. Slezská univerzita, Opava, 2012. I. Farkaš, M. Malý a K. Rebrová. Mirror neurons – theoretical and computational issues. Výskumná správa, (TR-2011-28) Comenius University in Bratislava, 2011. I. Farkaš, M. Malý a K. Rebrová. Porozumenie motorickým akciám – hypotéza kontinua. 61–68. Slezská univerzita v Opavě, Opava, ČR, 2011. Rebrová K. and Farkaš I. Neurálne modely v kognitívnej robotike: porozumenie a pomenovávanie akcií. V K. V. Kelemen J., redaktor, Kognice a umělý život XI, 231–238. Slezská univerzita, Opava, 2011. J. Šilar, M. Kokoška, K. Rebrová a I. Farkaš. Motor resonance based desynchronization of the EEG mu rhythm. Activitas Nervosa Superior Rediviva, 53, 2011. Abstract. 28 / 30
  29. 29. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Vplyv veľkosti skrytej vrstvy na konvergenciu BAL 0 100 200 300 0 1 2 3 4 5 ·10−2 veľkosť skrytej vrstvy strednákvadratickáchyba MSEF MSEB 0 100 200 300 0 0.2 0.4 0.6 0.8 1 veľkosť skrytej vrstvy úspešnosťsiete vzoryF vzoryB 0 100 200 300 0.92 0.94 0.96 0.98 1 veľkosť skrytej vrstvy úspešnosťsiete bityF bityB 0 100 200 300 1,000 1,200 1,400 1,600 1,800 2,000 veľkosť skrytej vrstvy trénovacieepochy epochy 29 / 30
  30. 30. Motivácia a empirické poznatky Robotický model systému zrkadliacich neurónov Algoritmus obojsmerného učenia na báze aktivačných fáz Experimenty a výsledky Zhrnutie a záver Invariantné reprezentácie v STSa: predbežné výsledky STSa: víťazi podľa typu úchopu STSa: víťazi podľa perspektívy 30 / 30

×