1. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
BAL: obojsmerné učenie na báze aktivačných fáz
seminár z umelej inteligencie
RNDr. Kristína Rebrová
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
2. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Prehľad
1 Motivácia a náš model MNS
2 Algoritmus BAL
3 Experimenty a výsledky
4 Záver
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
3. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Senzomotorická kognícia
Porozumenie na základe prepojenia akcie a percepcie -
párovanie pozorovanej akcie a 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)
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
4. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Variantné a invariantné neuróny
Horná spánková brázda (superior temporal sulcus, STS)
STS poskytuje vstupy pre zrkadliace neuróny
Rôzne typy neurónov, variantné a invariantné neuróny (Perret a
kol, 1991)
Invariantné n. anatomicky najbližšie k frontálnej časti kôry –
najvyššia úroveň reprezentácie (Jellema a Perret, 2006)
Variantné a invariantné vlastnosti objavené aj u zrkadliacich
neurónov v F5 (Caggiano a kol, 2009)
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
5. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Výpočtové modely systému zrkadliacich neurónov
Klasický prístup, napr. model MNS1 (Oztop a Arbib, 2002)
Model reflektuje biologické časti MNS
Základný predpoklad: vizuálna informácia, ktorá vstupuje do
MNS je pozične invariantná
Invariancia: ill-posed problem, zjednodušenie
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
6. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Robotický model systému zrkadliacich neurónov
Predpokladá podobne ako Tessitore
a kol. interakciu medzi MN a STS
Modulárna architektúra, na
najvyššej úrovni dochádza k
rozpoznaniu a porozumeniu akcii
STS
vizuálna
reprezentáciaPF
F5
zkradliace
neuróny
motorický modul
predspracovanie
vizuálnej
informácie
Motorický modul: z predošlého výskumu, paradigma
vuyžívajúca biologicky prijateľné učenie posilňovaním
Robot iCub sa učí uchopovať predmety 3 spôsobmi
Modul F5 a STS: samoorganizujúca sa mapa s rekurentným
kontextom MSOM, (Strickert a Hamker, 2005)
Prepojenie F5 a STS: binarizácia pomocou k-WTA a
trénovanie BAL
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
7. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Robot iCub a jeho simulátor
Metta a kol. (2008); Tikhanoff a kol. (2008)
európsky projekt „RobotCub”
(robotcub.org)
rozmery a fyzické schopnosti
kopírujú 2,5-ročné dieťa
104cm, 22kg, 53 stupňov voľnosti
(z toho 9 na každej ruke),
pohyblivá hlava a oči s 2
kamerami
riadenie z pripojeného počítača
nachádza sa v 20 laboratóriách,
prevažne v Európe
verný 3D simulátor (v ODE)
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
8. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
GeneRec a BAL
Odvodený od zovšeobecnenej recirkulácie (Generalized
Recirculation, GeneRec) (O’Reilly, 1996, O’Reilly a Munakata, 1999)
Biologicky plausibilné učenie šírením chyby
GeneRec – jednosmerné mapovanie
BAL – obojsmerná asociácia
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
9. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Algoritmus GeneRec
učenie na báze rozdielu aktivačných fáz (miesto
neplauzibilného šírenia chyby na výstupe)
dve aktivačné fázy (opačný tok informácie)
mínusová fáza: od vstupu na výstup, sieť produkuje odhad
plusová fáza: od výstupu na vstup, sieť dostane "zafixovanú"
želanú hodnotu na výstup a učí sa
zmena váh na základe rozdielov v plusovej a mínusovej fáze:
∆wij = (y+
j − y−
j )xi
Layer Phase Net Input Activation
Input (s) − - si = stimulus input
Hidden (h) − η−
j = i wij si + k wkj o−
k
h−
j = σ(η−
j )
+ η+
j = i wij si + k wkj o+
k
h+
j = σ(η+
j )
Output (o) − η−
k
= j wjk hj o−
k
= σ(η−
k
)
+ - o+
k
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
10. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Algoritmus obojsmerného učenia na báze aktivačných fáz
Dve vstupno–výstupné vrstvy xa y
Dve aktivačné fázy indikujú smer toku aktivácie
Dopredný beh (F): xF
→ hF
→ yF
Spätný beh (B): yB
→ hB
→ xB
perceptrón so 4 maticami váh, 2 pre každý smer toku aktivácie
F F
B B
vrstva v m
skrytá
vrstva
vh hm
váhy hv mh
vrstva
váhy
h
váhy
váhy
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 )
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
11. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
BAL: úprava váh
V smere F: ∆wF
ij = λ · aF
i (aB
j − aF
j )
V smere B: ∆wB
ij = λ · aB
i (aF
j − aB
j )
Parametre: rýchlosť učenia λ
Trénovateľné biasové neuróny (konštantný vstup 1.0,
analogická úprava váh)
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 )
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
12. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Kódovač 4-2-4 – parametre
pri tejto úlohe nie vždy skonverguje k 100% úspešnosti
výstup testov: počet konvergujúcich sietí (zo 100) a priemerný
počet trénovacích epoch (len úspešné)
rôzne typy rýchlosti učenia
porovnanie s pôvodným GeneRec modelom:
konvergencia: BAL 65% vs. GeneRec 90%
BAL konverguje podobne ako symetrická verzia GeneRec
(aproximácia CHL)
počet epoch: 100 až tisíce (GeneRec konverguje rýchlejšie)
0 1 2 3
0
20
40
60
rýchlosť učenia
úspešnésiete
2 2.1 2.2
0
20
40
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
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
13. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Kódovač 4-2-4 – vývoj počas trénovania
50 úspešných sietí trénovaných 5000 epoch
ak sieť skonverguje, naučí sa úlohu na 100%
naopak ak robí chybu v jednom smere, „pokazí sa“ aj druhý
smer asociácie
0 1,000 2,000 3,000 4,000 5,000
0
0.5
1
epocha
úspešnosťsiete
vzoryF
vzoryB
bityF
bityB
mseF
mseB
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
14. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Párovanie riedkych binárnych vzorov – parametre
Motivácia pre typ dát: riedke reprezentácie v mozgu
100 párov vzorov, 144 bitov, k = 12 pozitívnych
Rôzne hodnoty λ a veľkosti skrytej vrstvy nH (50 sietí)
optimálna λ: 0.2
optimálna nH : 120, rozdiel viacmenej len v dĺžke trénovania
0.1 0.2 0.3 0.4 0.5
0
0.5
1
rýchlosť učenia
úspešnosťsiete
bityF bityB
vzoryF vzoryB
0.2 0.25 0.3 0.35
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
epcs
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
15. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Párovanie riedkych binárnych vzorov – vývoj počas
trénovania
priemer a štand. odchýlka pre 50 sietí trénovaných 2500 epoch
λ = 0.2, nH = 120
aktivácie na skrytej vrstve: blížia sa k sebe a nebinarizujú sa
(hodnoty okolo 0.5)
0 500 1,000 1,500 2,000 2,500
0
0.5
1
epocha
úspešnosťsiete
vzoryF
vzoryB
bityF
bityB
mseF
mseB
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
16. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Komplexné asociácie – parametre
Motivácia pre typ dát: asociácia 4 perspektív na 1 pohyb
16 párov vzorov, 16 bitov, k = 3 pozitívnych
Rôzne hodnoty λ a veľkosti skrytej vrstvy nH (50 sietí)
optimálna λ: 1.0
optimálna nH : 14 (nerobí veľký rozdiel)
0 0.5 1 1.2
0
0.5
1
rýchlosť učenia
úspešnosťsiete
bityF bityB
vzoryF vzoryB
1 1.1 1.2
0
0.5
1
10 15 20 25
0
0.5
1
veľkosť skrytej vrstvy
úspešnosťsiete
vzoryF vzoryB
bityF bityB
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
17. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Komplexné asociácie – vývoj počas trénovania
priemer a štand. odchýlka pre 50 sietí trénovaných 1000 epoch
λ = 1.0, nH = 14
značne menšia úspešnosť pre nejednoznačný smer B
(bity ≈ 86%, vzory len ≈ 4%)
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
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
18. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Komplexné asociácie – príklad reprodukcie vzorov
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
19. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Robotický MNS model – úvod
Najvyššia úroveň: mapovanie reprezentácií na STS a F5
Výstupy z MSOM sú zbinarizované pomocou k-WTA
Vizuálne dáta: 14×14 s kv = 16
Motorické dáta: 12×12 s km = 8
Experimenty s prvou perspektívou (očakávaná asociácia 1:1),
52 vzorových párov
STS
vizuálna
reprezentáciaPF
F5
zkradliace
neuróny
motorický modul
predspracovanie
vizuálnej
informácie
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
20. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Robotický MNS model – parametre
Rôzne hodnoty λ a veľkosti skrytej vrstvy nH (20 sietí pre
každý parameter)
optimálna λ: 0.2
optimálna nH : 170
0.2 0.4
0
0.5
1
rýchlosť učenia
úspešnosťsiete
bityF bityB
vzoryF vzoryB
100 150 200 250
0
0.5
1
veľkosť skrytej vrstvy
úspešnosťsiete
bityF bityB
vzoryF vzoryB
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
21. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Robotický MNS model – vývoj počas trénovania
priemer a štand. odchýlka pre 20 sietí trénovaných 1500 epoch
λ = 0.2, nH = 170
značne menšia úspešnosť ako pri umelých dátach – charakter
robotických dát m:n
sieť robí chyby v rámci jednej kategórie pohybu, nie medzi
kategóriami
0 500 1,000 1,500
0
0.5
1
epocha
úspešnosť
bitSuccF
bitSuccB
patSuccF
patSuccB
0 500 1,000 1,500
0
5 · 10−2
0.1
epocha
mse/vzdialenosť
mseF
mseB
pattDistF
pattDistB
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
22. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Robotický MNS model – príklad reprodukcie vzorov
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
23. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Zhrnutie
vyvinuli sme algoritmus pre obojsmernú asociáciu binárnych
vzorov odvodený od biologicky plauzibilného GeneRec modelu
obojsmerné učenie vplýva na jeho konvergenciu a rýchlosť akou
sa vie požadpvanú úlohu naučiť
emergujúce reprezentácie na skrytej vrstve nemajú tendenciu
binarizovať sa (nevznikajú vyhranené reprezentácie pre rôzne
vstupy)
pri riešení problému nejednoznačných mnohonásobných
asociácií robí algoritmus chyby (ako aj iné algoritmy učenia
NS)
v prípade asociácie medzi reprezentáciami v našom robotickom
MNS modeli je vyhodnocovaná úspešnosť modelu malá, no
chyby, ktoré robí sa vyskyujú v rámci kategórie nie medzi
kategóriami
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
24. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Ďalší postup pri skúmaní 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 vizuálne perspektívy
vytvoriť priestor/mechanizmus pre vznik variantných a
invariantných reprezentácií v STS a F5
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz
25. Motivácia a náš model MNS
Algoritmus BAL
Experimenty a výsledky
Záver
Koniec
Ďakujem za pozornosť
Kristína Rebrová
kristina.rebrova@gmail.com
Kristína Rebrová BAL: obojsmerné učenie na báze aktivačných fáz