Simulation of mental models with recurrent neural networks

Menschen sind in der Lage, mentale Modelle von Informationen, die sie aus der Umwelt aufnehmen, aufzubauen. Solche mentalen Modelle bilden die Grundlage für die Organisation und Strukturierung von sensorischer Information und Wissen und sind damit wesentlich, um Gedächtnisaufgaben ausführen zu können. Sie können in so genannten cell assemblies, also wechselseitig miteinander verschalteten Neuronen, realisiert werden. Für den Aufbau von mentalen Modellen muss das neuronale System adaptive Fähigkeiten besitzen, d.h. die Fähigkeit zu lernen. Eine wesentliche Voraussetzung für diese Lernfähigkeit ist die Anpassung der synaptischen Übertragungsstärke in Abhängigkeit von der jeweiligen Situation. Die Informationen aus der Umwelt, mit denen der Mensch und damit sein neuronales System in einzelnen Situationen konfrontiert ist, können verschiedengestaltig sein: Es kann sich zum Beispiel um statische Muster handeln, wie z.B. einen Baum oder einen Stuhl, aber auch um dynamische Szenen wie etwa ein vorbeifahrendes Auto oder ein auf und ab hüpfender Ball. In dieser Arbeit werden zwei Ansätze vorgeschlagen, die eine Modellierung mentaler Modelle sowohl statischer als auch dynamischer Informationen mit Hilfe von rekurrenten neuronalen Netzen ermöglichen. Beiden Modellen ist gemein, dass die Lernprozesse selbstorganisiert und nur in Abhängigkeit von lokaler Information ablaufen. Da die Lerndynamik und die rekurrente Dynamik bei Online-Lernverfahren eng miteinander verwoben sind, ist der Erfolg des ersten Modells (Kapitel 2) stark abhängig von der Anpassung der Lernrate. Mit der Input Compensation (IC) Struktur wird in Kapitel 3 und 4 eine biologisch inspirierte Neuronenstruktur vorgeschlagen, die Lern- und rekurrente Dynamik voneinander entkoppelt und somit Online-Lernen in sehr effizienter Weise erlaubt. Rekurrente Netze, die mit solchen IC Neuronen ausgestattet sind, können erfolgreich trainiert werden, um sowohl statische als auch dynamische Situationen abzubilden. Somit bietet dieses Modell eine Grundlage für sehr vielfältige Gedächtnisleistungen.

Level thesis:degree_level

thesis.doctoral

Grantor dc:publisher

Universität Bielefeld

Year

2006

Author dc:creator

• Kühn, Simone

Repository record source_url

https://pub.uni-bielefeld.de/record/2303741

OAI identifier oai:identifier

oai:pub.uni-bielefeld.de:2303741