El cerebro aprende representaciones abstractas de entradas sensoriales de alta dimensión, pero se desconocen las reglas de plasticidad que permiten dicho aprendizaje. Un nuevo estudio sobre el Modelo de Jerarquía Aleatoria (RHM) revela que las reglas de aprendizaje local autosupervisado pueden igualar la eficiencia de datos de la retropropagación completa, sin necesidad de una red de error simétrica.
La investigación
Investigadores de la EPFL, liderados por Ariane Delrocq, Wu S. Zihan, Guillaume Bellec y Wulfram Gerstner, probaron algoritmos biológicamente plausibles en el Modelo de Jerarquía Aleatoria (RHM), un conjunto de datos artificial que imita la estructura jerárquica de los datos naturales. Compararon dos familias de reglas de aprendizaje local: la primera utiliza señales de retroalimentación directa para aproximar la propagación del error desde la capa de salida; la segunda utiliza objetivos autosupervisados por capas (contrastivos y no contrastivos).
Los resultados mostraron que todas las reglas del primer tipo fallaron en tareas RHM debido a la falta de no linealidades específicas de entrada ('enmascaramiento') presentes en la retropropagación. Sin embargo, los algoritmos del segundo tipo aprendieron con éxito la estructura jerárquica oculta, logrando una eficiencia de datos comparable a la retropropagación supervisada. Notablemente, estas reglas son compatibles con los mecanismos conocidos de plasticidad sináptica en el cerebro.
Por qué es importante
Este estudio sugiere que el cerebro podría usar reglas de aprendizaje local autosupervisado para extraer características jerárquicas complejas de la entrada sensorial sin depender de señales de error globales. Para cualquier persona curiosa sobre su propia cognición, esto significa que su cerebro probablemente construye representaciones abstractas de manera eficiente utilizando reglas de plasticidad local, lo que podría informar métodos de entrenamiento que aprovechen los principios de aprendizaje autosupervisado.
Qué puedes hacer
Puedes aplicar esta visión participando en tareas que requieran reconocimiento de patrones jerárquicos, como aprender un nuevo idioma, jugar juegos de estrategia o practicar un instrumento musical, actividades que impulsan el aprendizaje local autosupervisado en tu cerebro.
Fuente: arXiv q-bio.NC
¿Curioso sobre tu propio cerebro? Haz nuestro test de CI adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.
