← Últimos artículos
🤖 aprendizaje automático

Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators

Este artículo introduce un enfoque basado en redes neuronales que extiende la estimación Bayesiana neuronal para inferir secuencias de variables latentes variantes en el tiempo tanto de modelos cognitivos tratables como intratables, permitiendo así análisis neuronales basados en modelos y pruebas de teoría más amplias.

Autores originales: Ti-Fen Pan, Jing-Jing Li, Bill Thompson, Anne Collins

Primera aparición 2024-12-19 · Actualizado 2026-11-16✓ Author reviewed ⓘ
📖 5 min de lectura🧠 Análisis profundo

Autores originales: Ti-Fen Pan, Jing-Jing Li, Bill Thompson, Anne Collins

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El comportamiento humano rara vez es una línea simple y recta desde el estímulo hasta la respuesta. Cuando una persona o un animal toma una decisión, ese acto es a menudo la punta visible de un proceso mucho más grande e invisible que ocurre dentro de la mente. Los científicos llaman a estos procesos ocultos "variables latentes". Son los estados internos —como un cambio repentino en la atención, una creencia cambiante sobre qué acción traerá una recompensa o una regla momentánea que el cerebro está siguiendo— que impulsan lo que vemos en el exterior. Comprender estos estados ocultos es crucial para los investigadores que desean saber cómo el cerebro sustenta el pensamiento y el aprendizaje. Durante décadas, la forma estándar de descubrir estos estados internos ha sido construir un modelo matemático del comportamiento, encontrar los mejores números que ajusten el modelo a los datos y luego ejecutar el modelo nuevamente para ver qué dice sobre los estados ocultos. Sin embargo, este método tradicional choca con un muro difícil cuando los modelos se vuelven demasiado complejos. Muchas teorías interesantes sobre cómo funciona la mente involucran cálculos que son tan difíciles de resolver que las herramientas matemáticas estándar simplemente no pueden encontrar las respuestas. Esto ha dejado un vasto paisaje de teorías cognitivas inexplorado porque los científicos carecían de una forma de mirar dentro de la caja negra del comportamiento complejo.

Un equipo de investigadores de la Universidad de California, Berkeley, ha desarrollado una nueva herramienta para sortear este muro, permitiendo a los científicos ver estos estados ocultos incluso en los modelos más complicados. Llaman a su método LaseNet. En lugar de intentar resolver las difíciles ecuaciones matemáticas directamente, los investigadores entrenaron a un sistema de inteligencia artificial para aprender la relación entre lo que un animal hace y lo que es probable que esté pensando. Lo hicieron creando miles de experimentos simulados donde conocían las respuestas exactas. En estas simulaciones, generaron datos que parecían comportamiento real —elecciones, recompensas y errores— y los emparejaron con los estados ocultos conocidos que los causaron. Alimentaron esta biblioteca masiva de "qué pasó" y "qué estaba pensando" en un tipo de red neuronal, un sistema informático diseñado para reconocer patrones en secuencias de eventos. La red aprendió a observar una secuencia de acciones y resultados para predecir el estado mental oculto que los produjo, aprendiendo efectivamente a traducir el comportamiento en pensamiento sin necesidad de resolver nunca la compleja matemática subyacente.

Los investigadores probaron este nuevo enfoque en una variedad de modelos cognitivos, que van desde escenarios simples de aprendizaje hasta tareas complejas de toma de decisiones jerárquicas. En los casos donde los métodos antiguos funcionaban, LaseNet se desempeñó igual de bien, rastreando con precisión las variables ocultas. Pero su verdadero poder se mostró en los modelos donde los métodos antiguos fallaban o tenían dificultades. Para los modelos donde las matemáticas eran demasiado difíciles de resolver directamente, los enfoques tradicionales o bien no podían funcionar en absoluto o requerían herramientas estadísticas personalizadas extremadamente lentas y propensas al error. LaseNet, por el contrario, manejó estos casos difíciles con facilidad. En simulaciones, identificó estados ocultos con un nivel de precisión que superó a las mejores técnicas existentes, recuperando los verdaderos estados internos con un error mucho menor. Rastreó con éxito tanto variables continuas, como el valor cambiante de una recompensa, como variables discretas, como un cambio repentino en la estrategia o la atención.

Para demostrar que esto no era solo un método que funcionaba con datos inventados, el equipo aplicó LaseNet a datos reales recolectados de ratones. En un experimento, los ratones navegaban en una tarea donde las recompensas cambiaban de forma impredecible, requiriendo que actualizaran constantemente sus reglas internas. Los investigadores usaron LaseNet para inferir los estados de atención interna de los ratones y sus expectativas de recompensa. Los resultados coincidieron con los patrones encontrados por los métodos tradicionales donde estos podían aplicarse, pero LaseNet proporcionó una imagen clara y continua de los estados internos de los ratones durante toda la tarea. En otro estudio que involucraba una tarea de toma de decisiones visuales, el método identificó con éxito cuándo los ratones estaban totalmente comprometidos frente a cuándo estaban sesgados hacia un lado, revelando los cambios dinámicos en su enfoque mental. El enfoque funcionó para animales individuales, lo que significa que podía usarse para estudiar el estilo cognitivo único de un solo sujeto en lugar de simplemente promediar el comportamiento de un grupo entero.

La importancia de este trabajo radica en su capacidad para abrir puertas que antes estaban cerradas. Al eliminar la necesidad de cálculos matemáticos complejos y a menudo imposibles, LaseNet permite a los investigadores probar una gama mucho más amplia de teorías sobre cómo funciona la mente. Los científicos ahora pueden proponer modelos que antes eran demasiado difíciles de analizar y aun así obtener respuestas sobre los procesos ocultos que impulsan el comportamiento. El método es lo suficientemente flexible como para manejar diferentes tipos de datos y diferentes tipos de estados mentales, y funciona eficientemente en computadoras estándar sin requerir una potencia de cálculo masiva. Si bien la herramienta aún no proporciona una forma de medir la incertidumbre de sus propias conjeturas, y depende de la calidad de los modelos utilizados para entrenarla, representa un gran paso adelante. Transforma el estudio de los modelos cognitivos de un campo limitado por la tractabilidad matemática a uno limitado únicamente por la creatividad de las teorías que los investigadores deseen explorar, ofreciendo una ventana más clara a la maquinaria dinámica y oculta de la mente.

¿Ahogado en artículos de tu campo?

Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.

Probar Digest →