Embed Size (px)
Citation preview
En busca del umbral perdido
0 10 20 300
50
100
150
200
20 segundos!
umbralconservador
umbralarriesgado
RT menorErrores mayor
1 2 3 4 50.65
0.7
0.75
0.8
0.85
0.9
0.95
1
%C
orre
cto
Tiempo
El subterráneo de una decisión. Neuronas del presente y del
pasado y otras que dicen basta ya.
El maestro: Alan Turing
Enigma
Implementación neuronal de los tres pasos:
1) Un método para cuantificar el peso de la evidencia de un evento individual a favor de distintas alternativas. (EL VOTO)
2) Un método para acumular y actualizar el peso proveniente de eventos múltiples. (LA ACUMULACION DE VOTOS)
3) Una regla de decisión para determinar si la evidencia era suficiente para determinar la hipótesis mas probable. (LA RESOLUCION)
“Las neuronas que votan”
“Las neuronas que integran o acumulan el voto”
“Las neuronas que determinan el
umbral”
La neurofisiología de la toma de decisiones
Simulacro en el laboratorio de la toma de decisiones en un mundo incierto.
Mov = 11
Acum = 11
11
22
Mov = 6±ε
Acum = 6
6 ±ε
212
6 ±ε
318
6 ±ε
424
33
11
44
11
ε cuantifica las fluctuaciones y por lo tanto disminuye con el numero de partículas
Mov = 6±ε
Acum = 6
6 ±ε
212
6 ±ε
318
6 ±ε
424
“Las neuronas que votan”
Neuronas que codifican la cantidad y dirección de movimientoEstas neuronas pueden dar un voto en favor de una decisión.
La magnitud del “voto” es proporcional a la cantidad de movimiento.
Neuronas en MTUn clásico de la fisiología
tiempo
Potenciales de acción (intensidad
de la repuesta neuronal)
Primer ensayo (cada punto representa un disparo)
Décimo ensayo (el estimulo es el mismo, la respuestaligeramente variable)
Neuronas que codifican la cantidad y dirección de movimientoEstas neuronas pueden dar un voto en favor de una decisión.
La magnitud del “voto” es proporcional a la cantidad de movimiento.
Neuronas en MTUn clásico de la fisiología
Cada línea es un ensayo.Las respuestas de las neuronas son
ruidosas y por lo tanto hay que promediarlas. El experimentador
hace esto midiendo muchas veces. Y un sujeto decidiendo: ¿Como
resuelve el ruido?
Promedio
tiempo
Potenciales de acción (intensidad
de la repuesta neuronal)
Flucutuaciones
Neuronas que codifican la cantidad y dirección de movimientoEstas neuronas pueden dar un voto en favor de una decisión.
La magnitud del “voto” es proporcional a la cantidad de movimiento.
Neuronas en MTUn clásico de la fisiología
Neuronas de derecha.
Neuronas de izquierda(no responden al movimiento
a la derecha)
Las neuronas responden gradualmente a la
cantidad de movimiento. Dan un voto “graduado”.
Un codificador de movimiento provee el sustrato necesario para decidir hacia donde se mueven los puntos
¿Falta algo?
Neuronas en MTUn clásico de la fisiología
En cada momento estas neuronas reportan el estado del presente
perceptual
“Las neuronas que integran o acumulan el voto”
Cuando se llega a suficiente evidencia ¿cuánto es suficiente?
Se ejecuta la decisión.
Neuronas en LIP
Integracion ruidosa:Un random-walk forzado integra (promedia en el
tiempo) la evidencia provista por las neuronas de MT
EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un
random walk.
Estimulo
Respuesta
Neuronas en LIP
EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un
random walk.
El proveedor y el acumulador
de votos. ¿Hasta cuando
acumulan?
El estimulo, luego de una latencia, empiezan a acumular.
Un Random Walk forzado. La pendiente indica el forzado y es
proporcional a la coherencia. Cuanto mayor la pendiente, se llega antes al umbral y el tiempo de
respuesta es menor.
Neuronas en LIP
EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un
random walk.
El estimulo, luego de una latencia, empiezan a acumular.
Un Random Walk forzado. La pendiente indica el forzado y es
proporcional a la coherencia. Cuanto mayor la pendiente, se llega antes al umbral y el tiempo de
respuesta es menor.
ttdt
tdt
)(
Respuestas agrupadas en el momento de la respuesta. Todas las respuestas se realizan
cuando el integrado neuronal llega al umbral.
Existe de hecho otro circuito que responde en el momento que el integrador alcanza el umbral, lanzando la respuesta. Para aquel entonces –pese a que uno no lo supiese – la
decision estaba tomada.
Puede de hecho manipularse una
decisión. ¿Se puede hackear el codigo?
Poniendo a prueba la teoría: ¿Se puede forzar una decisión estimulando una neurona?
Estimulo en MT – Es “como si” cambiase la evidencia con que se nutre al random walk.
Como si el detector de movimiento detectase
mayor coherencia. Resultado: Aumenta la pendiente.
Poniendo a prueba la teoría: ¿Se puede forzar una decisión estimulando una neurona?
Estimulo en LIP – Es “como si” hubise salido, en un instante de tiempo, una moneda a fovr
de una decisión. Resultado: Aumenta una constante
random walks de probabilidades, random walks de células T,random walks de moléculas en solución,random walks de acciones y subastas,random walks de arenas y partículas sedimentadas,¿mais que?random walks de palabras, pensamientos.El sueño: ¿tiene orden?
El tiempo como metafora del movimiento
Nuñez & Sweetser 2006
Nos acercamos al final del cuatrimestre.
Se nos vienen las vacaciones.
EL FUTURO ESTA DELANTE Y EL PASADO DETRAS ¿o no?
In Aymara, the basic word for FRONT(nayra, “eye/front/sight”) is also a basic expression meaning
PAST, and the basic word forBACK (qhipa, “back/behind”) is a basic expression for
FUTURE meaning.
Universales no tan universales
“El tiempo antes”
Nuñez & Sweetser 2006
Neurotaller , Cordoba, Argentina 2007
Jugando a Jung, a la manera de Jung
La traza de una memoria, la forma del espacio de significados a partir de las trayectorias
Coche (in google): 1.410.000.000
Rueda (in google): 200.000.000
Coche Y Rueda 2.000.000
Pcond – 1%
Coche (in google): 1.410.000.000
Física (in google): 182.000.000
Coche Y Física 400.000
Pcond – 0.2%
Intuición de la métrica: Signficicados que aparecen juntos (en texto, en la web, en el discurso) están relacionados
Maradona (in google): 12,600,000
Dios (in google): 82,400,000
Dios AND Maradona 1.000.000
Pcond – 0.1
Pele (in google): 23,700,000
Dios (in google): 82,400,000
Dios AND Pele 500.000
Pcond – 0.02
Demostracion de que Maradona esta mas cerca de DIOS que Pele.
http://www.diosmaradona.com.ar/
luna
cielo
marte
planetaestrella
tierra
noche
sol
amanecer
electron
proton
atomo
molecula
fisica
nucleo
quimica
ciencia
astronomia
naranja manzana
bananapera
durazno
aji
lechuga
tomatezanahoria
monitorteclado
computadora
electricidad
luztecnologia
tecla
boton
informatica
dedo
mano
ojo
brazo
nariz
cara
cabezacuello
pies
Frente a la evidencia … tres barrios del espacio de palabras
La traza de una memoria, la forma del espacio de significados a partir de las trayectorias
0 5 10 15 20 2590
100
110
120
130
140
150
160
Understanding the dynamics of movement, the trace of the memory
“La traza de un pensamiento”(difusion acotada)
“Los ciclos”
“La distancia media entre dos palabras al azar”
p
Random-walking en el grafo semantico: La estructura de las trayectorias de asociaciones libres
¿Como son los saltos de las
asociaciones libres en el espacio de
palabras?¿Que forma tienen las asociaciones
espontaneas, bizarras, los sueños?
Si estoy en la palabra roja - ¿A Cual voy?
Posibilidad I: A cualquiera. El sueño de Crick (Francis) alimentado por el ruido.
Posibilidad II: A las mas cercanas (saltos determinista, con cierto ruido).
Posibilidad III: Compulsivo. Determinismo total. Salto a la mas cercana.
Rui
do (
Tem
pera
trua
)
0 5 10 15 20 250
50
100
150
(a)
0 5 10 15 20 250
0.2
0.4
0.6
0.8
1(b)
Compulsivo…
Understanding the navigation rules in the semantic graph
Distancias se mantienen pequeñas
(no difunde)
Ciclo, ciclos
Understanding the navigation rules in the semantic graph
0 5 10 15 20 250
50
100
150
(a)
0 5 10 15 20 250
0.2
0.4
0.6
0.8
1(b)
El sueño de Crick – todo al azar.
Perdida inmediata de memoria
No hay ciclos (probabilidad de
volver a la misma palabra es casi cero)
Understanding the navigation rules in the semantic graph
Dinamica correcta de la perdida de
memoria
Prediccion correcta de la estructura de
ciclos
Una ventana visible de las 7 palabras mas cercanas
0 5 10 15 20 2580
100
120
140
160Modelo 3
0 5 10 15 20 250
0.05
0.1
0.15
0.2Modelo 3
0 5 10 15 20 2580
100
120
140
160Modelo 2
0 5 10 15 20 250
0.05
0.1
0.15
0.2Modelo 2
0 5 10 15 20 2580
100
120
140
160Modelo 1
0 5 10 15 20 250
0.05
0.1
0.15
0.2Modelo 1
N=7
Diffusion (Random Walk)
Levy Flightsdiffusing with short-cuts,
i.e. in a small world
0 5 10 15 20 250
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
Levy-flights are the best
description of free word
associations
Jugando el juego con robots de Levy-Flight (no patentables)
