知识的结构联结主义取向

知识的结构：联结主义取向•概述•分布表象中的有关概念•分布表象和符号表象之间的差异概论——作为一个学院图书馆管理员的安排你的一部分工作是管理把顾客还回图书馆的书放回书架的助手。图书包括许多门类，一个助手对一个门类或多或少比较熟悉，他们的熟悉度影响他们放回图书的速度。因助手以小时计付薪水，因此要把他们安排到他们熟悉的门类以便他们更快放回图书。在一个门类分配一名并必须分配一名助手的情况下，达到使得每分钟放回的书最多的理想，采取的分配方法应该是怎样的呢？不要以为这是一个简单的小问题哦。（下表显示出每个助手在每个门类每分钟放回图书的数量）助手姓名门类地质学物理学化学历史诗歌艺术Sarah1054651Jessica649732George183646Karen537214Sam325687Tim764132解决的途径是，我们要同时考虑每个助手最快的领域和该安排下所有其他助手的效果，这种问题有时称作双趋一避冲突。在本章中我们将探讨用来模拟我们在许多认知和神经行为中所看到的同时性而设计的模型。有时被成为神经一网络模型（neural-networkmodels),联结主义模型（connectionistmodel)或者分布的（distributed),非符号的（nonsymbolicprocessing)加工。这种取向是力图产生与神经系统操作具有许多相同之处的认知模型。分布表象中的有关概念回顾•第一章中我们讨论了三种水平的心理分析：神经水平、认知水平和心理水平。用信息加工取向来描述事件标志着离开神经系统描述的抽象程度。•第五章中我们把记忆搜索的几种类型的特征描述为激活一个代表你的知识的单位或结点。结点存在于认知水平的分析上，在那里激活一个结点代表着许多神经过程的综合。•我们构建了联结主义模型。联结主义的抽象程度被认为比信息加工抽象程度更低得多，其所使用的术语和程序甚少，从表面上看，与实际的神经事件有许多相似之处实际的神经元与理想的神经元•有关皮层神经元的有关情况。首先，我们知道这类神经元经常出现动作电位现象；其次，每个神经元与周围的神经元紧密联结；最后，特定神经元之间的联结可能是兴奋性的或者抑制性的。•每个神经元冲动可以传递到周围的几千个皮层神经元且效果是同时的。当一个特定的神经元放电时，它可以传递到周围几千个细胞，并且当一个神经元接受传递时，它们可能来自周围几千个细胞。但是，神经元信息的强度并不因为与它联系的临近细胞的数目而改变，信号从不会由于临近细胞的联系而削弱或减弱。•信号强度不会改变，但信号不总为正。第一章中，Rosenblarr（1958）认为神经元之间的计算不但是由它们之间的兴奋连接而且也由抑制联结产生。每个神经元通过总合所有来自其他神经元的兴奋和抑制性传递成为决策者，放电（或不放电）依赖于总的输入是正的还是负的。•这是实际神经元。我们将理想化的神经元与联接主义模型中的实际神经元相比，做小型神经网络示意图如下CAB输出输入输入强度+10+100.3-0.3如图，三个圆圈代表一个小型神经网络中的三个人工神经元，让我们用神经节（neurode)来代表这种神经元（Caudill&Bufler,1992）与真正神经元的区别，神经节按层次排列，底层为”输入“，顶层标识为”输出“层，这两者间还会有许多层的神经节。共性在于，在输入层的每个神经节与输出层的神经节存在着联系。此外，正如用正号和负号所示，输入层和顶层的神经节之间也具有兴奋和抑制性的联系。在这种网络中没有看到动作电位的类比，动作电位的概念是基于第五章讨论激活扩散的观点的。结点的激活使相联的结点产生相似的激活状态。结点之间的联结建立了激活传导的通路。转化函数•在真正的神经网络中，信息通常以动作定位的方式在神经元之间传递；在联结主义模型中，这种传递由转化函数来执行。•转化函数把输入传入系统并且描述了输入在整个系统中扩散的途径，在神经网络语言中我们把这个步骤称为输入在整个系统中的传导。CAB输出输入输入强度+10+100.3-0.31、如果输入单元A处于激活状态（强度为1），那么单元A输出0.3的激活。2、如果输入单元B处于激活状态（强度为1），那么单元B输出-0.3的激活。3、如果输入单元处于不激活状态，那么输出不激活。4、输出单元C通常是所有输入单元激活的总合。我们把输入和输出单元之间联结的强度描述为两个神经节之间联结的”权重“（weight)那么可以表达单元C的输出输出单元C=（输入单元A×权重AC）+（输入单元B×权重BC）如何概念化这个小型网络？它实际“做”了什么？本质上，这个网络模型抑制或降低了输入的刺激。有两个层面的含义：如图，输入单元A输入强度为1，但是系统输出降到0.3；如果接受的是两个强的但相反的输入，它们的效果被网络消除以致于没有进一步的传递发生。在此，对转化函数进行概括以计算出在许多输入条件下神经节的输出输出j=∑(输入i×输出ij）分布表象和符号表象之间的差异•在字面上看，本章中所讲的神经节看上去非常类似第五章所讲的结点，而且神经节的联结好像与我们已经看到的结点的联结相似。•神经网络和符号模型一样能够表象知识和认知活动，但两种取向的重要差异在于如何表象认知。狗BasenjiCockerSpanielMutt我的狗符号描述ABCD叫棕色软耳朵红色联结主义描述特征联结强度叫0.40.10.30.2棕色0.20.60.40.5软耳朵0.10.30.30.6红色0.50.20.10.2联结权重与ABCD假设网神经网络模型中的联结强度小结差异•符号模型强调的网络结点包含大量的信息，联结注意模型包含神经节，本身不能做许多事情。•在符号模型中，对特定信息贮存在系统中哪个结点的询问是适当的，但是在连接模型中，只是被看作是交互成分集的激活模式，在联结主义网络中特定只是并不贮存在特定的地点。•在符号模型中特定结点的丢失会产生任务的严重降低，但联结主义模型在看到作业（performance）严重降低之前，通常能够承受一些甚至许多交互神经节的丢失Thanksforattention~