Hay al menos tres áreas de intersección cualitativamente diferentes en las que puedo pensar
1) usar ideas de aprendizaje automático como modelos normativos de lo que hace (debería hacer) el sistema nervioso
2) utilizar el aprendizaje automático para analizar datos de neurociencia, como grabaciones neuronales
3) métodos de aprendizaje automático de inspiración neurológica
1) enfoque de modelos normativos
Un marco poderoso en la neurociencia computacional formaliza el objetivo del sistema nervioso (sensorial) como la adopción de estadísticas de nuestro entorno natural. Vea el trabajo seminal de Horace Barlow sobre los objetivos computacionales del sistema visual. En el enfoque computacional / normativo, primero pensamos en cuál es el objetivo computacional que una parte particular del cerebro trata de lograr, cómo resolveríamos esto de una manera estadísticamente óptima (aquí es donde generalmente entra el aprendizaje automático), y finalmente ¿Cómo puede resolverlo el sistema nervioso utilizando maquinaria neuronal?
- ¿Por qué la pila de RBM después de aprender no es una máquina de Boltzmann profunda (DBM)?
- ¿Cómo seleccionaría los datos para capacitar y probar los modelos?
- ¿Cuáles son algunas de las limitaciones o inconvenientes de las redes neuronales convolucionales?
- ¿Cómo son útiles las redes neuronales convolucionales para las empresas e industrias normales?
- ¿Qué pasos de procesamiento previo recomendaría para un aprendizaje automático exitoso en un conjunto de datos MNIST?
Este enfoque se ha aplicado con éxito desde la escala de una sola neurona hasta modelar el comportamiento y la cognición de alto nivel.
- A la escala de una sola neurona, se puede decir que el objetivo computacional de una sola neurona es estimar el potencial de membrana de los vecinos presinápticos a partir de los trenes de espigas observados. Consulte, por ejemplo, este documento: http://www.nature.com/neuro/jour…
- A nivel de redes, el sistema visual creo que es el mejor estudiado desde el punto de vista normativo / computacional.
- Finalmente, en el nivel cognitivo más alto, existen, por ejemplo, el análisis racional de Anderson y sus nuevas encarnaciones que comparan el rendimiento de la categorización humana con el de varios enfoques de aprendizaje automático. (Sé que esto tiene muy poco que ver con las neuronas, pero incluí este nivel para completar)
2) aprendizaje automático para el análisis de datos neuronales
Nuevamente, esta área de intersección entre el aprendizaje automático y la neurociencia abarca un amplio rango desde el nivel de las neuronas individuales hasta la psicofísica / datos conductuales.
- Elecofisiología: la clasificación de espigas es un ejemplo de separación de la fuente de bling, mediante la cual se desea reconstruir los patrones de activación de neuronas individuales a partir de una señal medida en un electrodo rodeado por muchas neuronas activas. Otro buen ejemplo de lo que puede hacer con los datos de electrofisiología es http://www.stanford.edu/~shenoy/…
- existen técnicas de aprendizaje automático / visión por computadora aplicadas para analizar datos fMRI y EEG http://1.usa.gov/wCmRAs
- y existen enfoques de aprendizaje automático para analizar datos de psicofísica y relacionarlos con respuestas neuronales http://mlg.eng.cam.ac.uk/ferenc/…
- Otra aplicación práctica interesante del aprendizaje automático es la neuroprotésica.
3) algoritmos de aprendizaje automático inspirados en neuro
Existe un conjunto completo de métodos de aprendizaje automático inspirados en la neurociencia. Estos incluyen las buenas redes neuronales de retroalimentación entrenadas con propagación hacia atrás, máquinas de Boltzmann, aprendizaje profundo (máquinas de Boltzmann profundas, redes de creencias profundas, cosas profundas). Estos algoritmos imitan el sistema nervioso en la medida en que usan muchas unidades informáticas (neuronas) empobrecidas individualmente, y permiten que la conectividad entre estos nodos primitivos determine el comportamiento adaptativo.
En resumen , la neurociencia y el aprendizaje automático tienen una intersección sustancial, y el campo de la neurociencia computacional ha contribuido mucho al desarrollo del aprendizaje automático moderno, y viceversa. No es sorprendente que una de las mejores conferencias de aprendizaje automático se llame Sistemas de procesamiento de información neuronal , y una de las buenas publicaciones en el campo se llama Computación neuronal . No tengo nada que ver con la neurociencia, pero aprendí una gran cantidad de los conceptos básicos del aprendizaje automático estadístico del libro de neurociencia teórica de Dayan y Abbott http://www.gatsby.ucl.ac.uk/~day…