Connectionisme

Inhoudsopgave:

Connectionisme
Connectionisme
Video: Connectionisme
Video: Connectionisme 2023, Februari
Anonim

Dit is een bestand in de archieven van de Stanford Encyclopedia of Philosophy. Citeer deze vermelding | Vrienden PDF Preview | InPho Zoeken | PhilPapers bibliografie

Connectionisme

Voor het eerst gepubliceerd zo 18 mei 1997; inhoudelijke herziening di 27 jul 2010

Connectionisme is een beweging in de cognitieve wetenschap die menselijke intellectuele capaciteiten hoopt te verklaren met behulp van kunstmatige neurale netwerken (ook bekend als 'neurale netwerken' of 'neurale netten'). Neurale netwerken zijn vereenvoudigde modellen van de hersenen die zijn samengesteld uit grote aantallen eenheden (de analogen van neuronen) samen met gewichten die de sterkte van verbindingen tussen de eenheden meten. Deze gewichten modelleren de effecten van de synapsen die het ene neuron met het andere verbinden. Experimenten met dit soort modellen hebben aangetoond dat ze vaardigheden als gezichtsherkenning, lezen en de detectie van eenvoudige grammaticale structuur kunnen leren.

Filosofen zijn geïnteresseerd geraakt in het connectisme omdat het belooft een alternatief te bieden voor de klassieke theorie van de geest: de algemeen aanvaarde opvatting dat de geest iets is dat lijkt op een digitale computer die een symbolische taal verwerkt. Hoe en in hoeverre het connectionistische paradigma een uitdaging voor het classicisme vormt, is de laatste jaren een onderwerp van veel discussie geweest.

  • 1. Een beschrijving van neurale netwerken
  • 2. Leren van neurale netwerken en voortplanting
  • 3. Voorbeelden van wat neurale netwerken kunnen doen
  • 4. Sterke punten en zwakke punten van neurale netwerkmodellen
  • 5. De vorm van de controverse tussen Connectionists en Classicists
  • 6. Connectionist-vertegenwoordiging
  • 7. Het systematisch debat
  • 8. Connectionisme en semantische gelijkenis
  • 9. Connectionisme en de eliminatie van volkspsychologie
  • Bibliografie
  • Andere internetbronnen
  • Gerelateerde vermeldingen

1. Een beschrijving van neurale netwerken

Een neuraal netwerk bestaat uit een groot aantal eenheden die met elkaar zijn verbonden in een patroon van verbindingen. Eenheden in een net zijn meestal onderverdeeld in drie klassen: invoereenheden die informatie ontvangen die moet worden verwerkt, uitvoereenheden waar de resultaten van de verwerking worden gevonden, en eenheden daartussen worden verborgen eenheden genoemd. Als een neuraal net het hele menselijke zenuwstelsel zou modelleren, zouden de invoereenheden analoog zijn aan de sensorische neuronen, de uitvoereenheden naar de motorneuronen en de verborgen eenheden naar alle andere neuronen.

Hier is een eenvoudige illustratie van een eenvoudig neuraal net:

netto
netto

Elke invoereenheid heeft een activeringswaarde die een bepaald kenmerk buiten het net vertegenwoordigt. Een invoereenheid stuurt zijn activeringswaarde naar elk van de verborgen eenheden waarmee hij is verbonden. Elk van deze verborgen eenheden berekent zijn eigen activeringswaarde afhankelijk van de activeringswaarden die het van de invoereenheden ontvangt. Dit signaal wordt vervolgens doorgegeven aan uitvoereenheden of aan een andere laag verborgen eenheden. Die verborgen eenheden berekenen hun activeringswaarden op dezelfde manier en sturen ze naar hun buren. Uiteindelijk propageert het signaal bij de invoereenheden zich helemaal door het net om de activeringswaarden bij alle uitvoereenheden te bepalen.

Het activeringspatroon dat door een net is opgezet, wordt bepaald door het gewicht of de sterkte van de verbindingen tussen de eenheden. Gewichten kunnen zowel positief als negatief zijn. Een negatief gewicht vertegenwoordigt de remming van de ontvangende eenheid door de activiteit van een verzendende eenheid. De activeringswaarde voor elke ontvangende eenheid wordt berekend volgens een eenvoudige activeringsfunctie. Activeringsfuncties variëren in detail, maar ze voldoen allemaal aan hetzelfde basisplan. De functie somt de bijdragen van alle verzendende eenheden op, waarbij de bijdrage van een eenheid wordt gedefinieerd als het gewicht van de verbinding tussen de verzendende en ontvangende eenheden maal de activeringswaarde van de verzendende eenheid. Dit bedrag wordt meestal verder aangepast, bijvoorbeelddoor de activeringssom in te stellen op een waarde tussen 0 en 1 en / of door de activering op nul in te stellen tenzij een drempelniveau voor de som wordt bereikt. Connectionists veronderstellen dat cognitief functioneren verklaard kan worden door verzamelingen van eenheden die op deze manier werken. Aangezien wordt aangenomen dat alle eenheden vrijwel dezelfde eenvoudige activeringsfunctie berekenen, moeten menselijke intellectuele prestaties voornamelijk afhangen van de instellingen van de gewichten tussen de eenheden.

Het soort net dat hierboven wordt geïllustreerd, wordt een feed forward net genoemd. Activering stroomt rechtstreeks van ingangen naar verborgen eenheden en vervolgens naar de uitgangseenheden. Meer realistische modellen van de hersenen zouden vele lagen verborgen eenheden bevatten en terugkerende verbindingen die signalen terugzenden van hogere naar lagere niveaus. Een dergelijke herhaling is nodig om dergelijke cognitieve kenmerken als kortetermijngeheugen uit te leggen. In een feed forward-net produceren herhaalde presentaties van dezelfde input elke keer dezelfde output, maar zelfs de eenvoudigste organismen wennen (of leren ze te negeren) herhaalde presentatie van dezelfde stimulus. Connectionists hebben de neiging om terugkerende verbindingen te vermijden omdat er weinig bekend is over het algemene probleem van het trainen van terugkerende netten. Maar Elman (1991) en anderen hebben enige vooruitgang geboekt met eenvoudige terugkerende netten,waar het recidief strak wordt beperkt.

2. Leren van neurale netwerken en voortplanting

Het vinden van de juiste set gewichten om een ​​bepaalde taak te volbrengen, is het centrale doel in connectistisch onderzoek. Gelukkig zijn er leeralgoritmen bedacht die de juiste gewichten kunnen berekenen voor het uitvoeren van veel taken. (Zie Hinton 1992 voor een toegankelijke recensie.) Een van de meest gebruikte trainingsmethoden is backpropagation. Om deze methode te gebruiken heb je een trainingsset nodig die bestaat uit vele voorbeelden van inputs en hun gewenste outputs voor een bepaalde taak. Als het bijvoorbeeld de taak is om mannelijke en vrouwelijke gezichten te onderscheiden, kan de trainingsset afbeeldingen van gezichten bevatten, samen met een indicatie van het geslacht van de persoon die in elke afbeelding is afgebeeld. Een net dat deze taak kan leren, heeft mogelijk twee uitvoereenheden (die de categorieën mannelijk en vrouwelijk aanduiden) en veel invoereenheden, één gewijd aan de helderheid van elke pixel (klein gebied) in de afbeelding.De gewichten van het te trainen net worden aanvankelijk ingesteld op willekeurige waarden en vervolgens worden leden van de trainingsset herhaaldelijk blootgesteld aan het net. De waarden voor de invoer van een lid worden op de invoereenheden geplaatst en de uitvoer van het net wordt vergeleken met de gewenste uitvoer voor dit lid. Vervolgens worden alle gewichten in het net enigszins aangepast in de richting die de outputwaarden van het net dichter bij de waarden voor de gewenste output zou brengen. Wanneer bijvoorbeeld het gezicht van de man aan de invoereenheden wordt gepresenteerd, worden de gewichten aangepast zodat de waarde van de mannelijke uitvoereenheid wordt verhoogd en de waarde van de vrouwelijke uitvoereenheid wordt verlaagd. Na veel herhalingen van dit proces kan het net leren om voor elke input in de trainingsset de gewenste output te produceren. Als de training goed gaat,het net velen hebben ook geleerd om te generaliseren naar het gewenste gedrag voor inputs en outputs die niet in de trainingsset waren. Het kan bijvoorbeeld goed werk doen om mannen en vrouwen te onderscheiden op foto's die nog nooit eerder aan hem zijn gepresenteerd.

Het trainen van netten om aspecten van menselijke intelligentie te modelleren is een kunst. Succes met backpropagation en andere connectionistische leermethoden kan afhangen van een vrij subtiele aanpassing van het algoritme en de trainingsset. Training omvat meestal honderdduizenden rondes van gewichtsaanpassing. Gezien de beperkingen van computers die momenteel beschikbaar zijn voor connectistische onderzoekers, kan het trainen van een net om een ​​interessante taak uit te voeren dagen of zelfs weken duren. Een deel van de moeilijkheid kan worden opgelost wanneer parallelle circuits die specifiek zijn ontworpen om neurale netwerkmodellen te gebruiken, algemeen verkrijgbaar zijn. Maar zelfs hier zullen nog enkele beperkingen van de connectistische leertheorieën onder ogen moeten worden gezien. Mensen (en veel minder intelligente dieren) vertonen het vermogen om te leren van afzonderlijke gebeurtenissen;een dier dat bijvoorbeeld voedsel eet dat later maagklachten veroorzaakt, zal dat voedsel nooit meer proberen. Connectionistische leertechnieken zoals backpropagation zijn verre van een verklaring voor dit soort 'one shot' leren.

3. Voorbeelden van wat neurale netwerken kunnen doen

Connectionists hebben aanzienlijke vooruitgang geboekt bij het aantonen van de kracht van neurale netwerken om cognitieve taken te beheersen. Hier zijn drie bekende experimenten die connectisten hebben aangemoedigd te geloven dat neurale netwerken goede modellen zijn voor menselijke intelligentie. Een van de meest aantrekkelijke van deze inspanningen is het werk van Sejnowski en Rosenberg uit 1987 aan een net dat de Engelse tekst NETtalk kan lezen. De trainingsset voor NETtalk was een grote database bestaande uit Engelse tekst in combinatie met de bijbehorende fonetische output, geschreven in een code die geschikt is voor gebruik met een spraaksynthesizer. Tapes van de prestaties van NETtalk in verschillende stadia van de training zijn erg interessant om te luisteren. In eerste instantie is de output willekeurige ruis. Later klinkt het net alsof het kabbelt,en later nog steeds alsof het Engels dubbeltaal spreekt (spraak die wordt gevormd door geluiden die op Engelse woorden lijken). Aan het einde van de training kan NETtalk de tekst die eraan wordt gegeven redelijk goed uitspreken. Bovendien generaliseert deze vaardigheid redelijk goed naar tekst die niet in de trainingsset werd gepresenteerd.

Een ander invloedrijk model van vroege connectie was een door Rumelhart en McClelland (1986) getraind net om de verleden tijd van Engelse werkwoorden te voorspellen. De taak is interessant omdat, hoewel de meeste werkwoorden in het Engels (de reguliere werkwoorden) de verleden tijd vormen door het achtervoegsel '-ed' toe te voegen, veel van de meest voorkomende werkwoorden zijn onregelmatig ('is' / 'was', 'kom') / 'kwam', 'ga' / 'ging'). Het net werd eerst getraind op een set met een groot aantal onregelmatige werkwoorden, en later op een set van 460 werkwoorden die voornamelijk stamgasten bevatten. Het net leerde de afgelopen tijden van de 460 werkwoorden in ongeveer 200 trainingsrondes en het ging redelijk goed over op werkwoorden die niet in de trainingsset zaten. Het toonde zelfs een goede waardering voor "regelmatigheden" die te vinden zijn onder de onregelmatige werkwoorden ('stuur' / 'verzonden', 'bouw' / 'gebouwd' 'klap' / 'blies', 'vlieg' / 'vloog'). Tijdens het leren,omdat het systeem werd blootgesteld aan de trainingsset met meer regelmatige werkwoorden, had het de neiging om te veel te regulariseren, dat wil zeggen om zowel onregelmatige als regelmatige vormen te combineren: ('pauze' / 'broked', in plaats van 'pauze' / 'brak'). Dit werd gecorrigeerd met meer training. Het is interessant op te merken dat van kinderen bekend is dat ze dezelfde neiging tot overmatige regularisatie vertonen tijdens het leren van talen. Er is echter veel discussie over of Rumelhart en McClelland's een goed model zijn van hoe mensen daadwerkelijk werkwoordsuitgangen leren en verwerken. Pinker & Prince (1988) wijzen er bijvoorbeeld op dat het model slecht kan generaliseren naar enkele nieuwe reguliere werkwoorden. Ze zijn van mening dat dit een teken is van een fundamenteel falen in verbindingsmodellen. Netten zijn misschien goed in het maken van associaties en het matchen van patronen,maar ze hebben fundamentele beperkingen bij het beheersen van algemene regels zoals de vorming van de gewone verleden tijd. Deze klachten werpen een belangrijk probleem op voor connectionistische modelleurs, namelijk of netten goed kunnen generaliseren om cognitieve taken met regels onder de knie te krijgen. Ondanks de bezwaren van Pinker en Prince zijn veel connectisten van mening dat generalisatie van de juiste soort nog steeds mogelijk is (Niklasson en van Gelder 1994).

Het werk van Elman uit 1991 aan netten die de grammaticale structuur kunnen waarderen, heeft belangrijke implicaties voor het debat over de vraag of neurale netwerken regels kunnen leren beheersen. Elman trainde een eenvoudig terugkerend netwerk om het volgende woord te voorspellen in een groot corpus Engelse zinnen. De zinnen zijn gevormd uit een eenvoudige woordenschat van 23 woorden met een subset Engelse grammatica. De grammatica, hoewel eenvoudig, vormde een zware test voor taalkundig bewustzijn. Het stond onbeperkte vorming van relatieve bijzinnen toe, terwijl het een overeenkomst vereiste tussen het hoofd zelfstandig naamwoord en het werkwoord. Dus bijvoorbeeld in de zin

Elke man die honden achtervolgt die katten achtervolgen … rent s.

het enkelvoud ' man ' moet overeenkomen met het werkwoord 'run s''ondanks de tussenliggende meervoudige zelfstandige naamwoorden (' honden ',' katten ') die de selectie van' rennen 'kunnen veroorzaken. Een van de belangrijke kenmerken van het model van Elman is het gebruik van terugkerende verbindingen. De waarden bij de verborgen eenheden worden opgeslagen in een set van zogenaamde context-eenheden, om teruggestuurd te worden naar het invoerniveau voor de volgende verwerkingsronde. Dit teruglussen van verborgen naar invoerlagen geeft het net een rudimentaire vorm van herinnering aan de volgorde van woorden in de invoerzin. Elman's netten gaven blijk van waardering voor de grammaticale structuur van zinnen die niet in de trainingsset stonden. De syntaxis van het net werd op de volgende manier gemeten. Het voorspellen van het volgende woord in een Engelse zin is natuurlijk een onmogelijke taak. Deze netten slaagden echter, althans door de volgende maatregel. Op een bepaald punt in een invoerzin,de uitvoereenheden voor woorden die op dat moment grammaticale voortzettingen van de zin zijn, moeten actief zijn en uitvoereenheden voor alle andere woorden moeten inactief zijn. Na intensieve training kon Elman netten produceren die perfecte prestaties vertoonden op deze maat, inclusief zinnen die niet in de trainingsset stonden.

Hoewel deze prestatie indrukwekkend is, is er nog een lange weg te gaan in het trainen van netten die taal kunnen verwerken. Bovendien zijn er twijfels gerezen over de betekenis van de resultaten van Elman. Marcus (1998, 2001) stelt bijvoorbeeld dat de netten van Elman deze voorstelling niet kunnen generaliseren naar zinnen die zijn gevormd op basis van een nieuw vocabulaire. Dit is volgens hem een ​​teken dat connectionistische modellen slechts instanties associëren en abstracte regels niet echt onder de knie kunnen krijgen. Aan de andere kant stelt Phillips (2002) dat klassieke architecturen in dit opzicht niet beter af zijn. Het vermeende onvermogen van connectionistische modellen om prestaties op deze manier te generaliseren, is een belangrijk thema geworden in het systematische debat. (Zie sectie 7 hieronder.)

Een ietwat andere bezorgdheid over de toereikendheid van connectionistische taalverwerking richt zich op taken die het leren van jonge kinderen van eenvoudige kunstmatige grammatica's nabootsen. Gegevens over reactietijd bevestigen dat zuigelingen kunnen leren om goedgevormde en slechtgevormde zinnen te onderscheiden in een nieuwe taal die door onderzoekers is bedacht. Shultz en Bale (2001) rapporteren succes bij het trainen van neurale netten voor dezelfde taak. Vilcu en Hadley (2005) beweren dat dit werk geen echte verwerving van de grammatica aantoont, maar zie Shultz en Bale (2006) voor een gedetailleerd antwoord.

4. Sterke punten en zwakke punten van neurale netwerkmodellen

Filosofen zijn geïnteresseerd in neurale netwerken omdat ze een nieuw raamwerk kunnen bieden om de aard van de geest en zijn relatie tot de hersenen te begrijpen (Rumelhart en McClelland 1986, hoofdstuk 1). Connectionistische modellen lijken bijzonder goed te passen bij wat we weten over neurologie. De hersenen zijn inderdaad een neuraal netwerk, gevormd uit massaal veel eenheden (neuronen) en hun verbindingen (synapsen). Bovendien suggereren verschillende eigenschappen van neurale netwerkmodellen dat connectionisme een bijzonder getrouw beeld kan geven van de aard van cognitieve verwerking. Neurale netwerken vertonen robuuste flexibiliteit in het licht van de uitdagingen van de echte wereld. Lawaaiige invoer of vernietiging van eenheden veroorzaakt een gracieuze achteruitgang van de functie. De reactie van het net is nog steeds passend, zij het iets minder nauwkeurig. In tegenstelling tot,ruis en verlies van schakelingen in klassieke computers resulteren typisch in catastrofaal falen. Neurale netwerken zijn ook bijzonder goed aangepast voor problemen die de oplossing van veel tegenstrijdige beperkingen parallel vereisen. Er is voldoende bewijs uit onderzoek in kunstmatige intelligentie dat cognitieve taken zoals objectherkenning, planning en zelfs gecoördineerde beweging dergelijke problemen opleveren. Hoewel klassieke systemen in staat zijn tot meervoudige tevredenheidstevredenheid, beweren connectionisten dat neurale netwerkmodellen veel natuurlijkere mechanismen bieden om dergelijke problemen aan te pakken.Er is voldoende bewijs uit onderzoek in kunstmatige intelligentie dat cognitieve taken zoals objectherkenning, planning en zelfs gecoördineerde beweging dergelijke problemen opleveren. Hoewel klassieke systemen in staat zijn tot meervoudige tevredenheidstevredenheid, beweren connectionisten dat neurale netwerkmodellen veel natuurlijkere mechanismen bieden om dergelijke problemen aan te pakken.Er is voldoende bewijs uit onderzoek in kunstmatige intelligentie dat cognitieve taken zoals objectherkenning, planning en zelfs gecoördineerde beweging dergelijke problemen opleveren. Hoewel klassieke systemen in staat zijn tot meervoudige tevredenheidstevredenheid, beweren connectionisten dat neurale netwerkmodellen veel natuurlijkere mechanismen bieden om dergelijke problemen aan te pakken.

Door de eeuwen heen hebben filosofen moeite gehad om te begrijpen hoe onze concepten zijn gedefinieerd. Het wordt nu algemeen erkend dat het gedoemd is te mislukken om gewone begrippen te karakteriseren met noodzakelijke en toereikende voorwaarden. Uitzonderingen op bijna elke voorgestelde definitie wachten altijd in de coulissen. Je zou bijvoorbeeld kunnen voorstellen dat een tijger een grote zwarte en oranje kat is. Maar hoe zit het dan met albinotijgers? Filosofen en cognitief psychologen hebben betoogd dat categorieën op meer flexibele manieren worden afgebakend, bijvoorbeeld door een idee van familiegelijkenis of gelijkenis met een prototype. Connectionist-modellen lijken bijzonder goed geschikt voor het onderbrengen van gegradeerde begrippen van dit soort lidmaatschap. Netten kunnen subtiele statistische patronen leren waarderen die heel moeilijk uit te drukken zijn als harde regels.Connectionisme belooft flexibiliteit en inzicht in menselijke intelligentie te verklaren met behulp van methoden die niet gemakkelijk kunnen worden uitgedrukt in de vorm van uitzonderingsvrije principes (Horgan en Tienson 1989, 1990), en vermijdt zo de broosheid die voortkomt uit standaardvormen van symbolische representatie.

Ondanks deze intrigerende kenmerken, zijn er enkele zwakke punten in verbindingsmodellen die het vermelden waard zijn. Ten eerste abstraheert het meeste neurale netwerkonderzoek weg van vele interessante en mogelijk belangrijke kenmerken van de hersenen. Connectionisten proberen bijvoorbeeld meestal niet expliciet de verscheidenheid aan verschillende soorten hersenneuronen te modelleren, noch de effecten van neurotransmitters en hormonen. Bovendien is het verre van duidelijk dat de hersenen het soort omgekeerde verbindingen bevatten dat nodig zou zijn als de hersenen zouden leren door een proces als backpropagation, en het enorme aantal herhalingen dat nodig is voor dergelijke trainingsmethoden lijkt verre van realistisch. Aandacht voor deze zaken zal waarschijnlijk nodig zijn om overtuigende connectistische modellen van menselijke cognitieve verwerking te construeren. Er moet ook aan een ernstiger bezwaar worden voldaan.Vooral onder classici wordt algemeen aangenomen dat neurale netwerken niet bijzonder goed zijn in het soort op regels gebaseerde verwerking waarvan wordt aangenomen dat het de taal, redenering en hogere vormen van denken onderbouwt. (Zie voor een bekende kritiek van deze soort Pinker en Prince 1988.) We zullen de kwestie verder bespreken wanneer we ons wenden tot het systematische debat.

5. De vorm van de controverse tussen Connectionists en Classicists

De afgelopen veertig jaar werden gedomineerd door de klassieke opvatting dat (tenminste hogere) menselijke cognitie analoog is aan symbolische berekeningen in digitale computers. In het klassieke verhaal wordt informatie weergegeven door tekenreeksen, net zoals we gegevens vertegenwoordigen in het computergeheugen of op stukjes papier. De connectist beweert daarentegen dat informatie niet-symbolisch wordt opgeslagen in de gewichten of verbindingssterkten tussen de eenheden van een neuraal net. De classicus is van mening dat cognitie lijkt op digitale verwerking, waarbij snaren in volgorde worden geproduceerd volgens de instructies van een (symbolisch) programma. De connectionist beschouwt mentale verwerking als de dynamische en gegradeerde evolutie van activiteit in een neuraal net, waarbij de activering van elke eenheid afhankelijk is van de verbindingssterktes en activiteit van zijn burenvolgens de activeringsfunctie.

Op het eerste gezicht lijken deze opvattingen heel anders. Veel connectisten zien hun werk echter niet als een uitdaging voor het classicisme en sommigen steunen het klassieke beeld openlijk. Zogenaamde implementationele connectionisten zoeken een aanpassing tussen de twee paradigma's. Ze zijn van mening dat het hersennet een symbolische processor implementeert. Het is waar dat de geest een neuraal net is; maar het is ook een symbolische processor op een hoger en abstracter beschrijvingsniveau. De rol van het connectionistische onderzoek volgens de implementationalist is dus om te ontdekken hoe de machine die nodig is voor symbolische verwerking kan worden gesmeed uit neurale netwerkmaterialen, zodat klassieke verwerking kan worden teruggebracht tot het neurale netwerkaccount.

Veel connectionisten verzetten zich echter tegen het implementatie-standpunt. Zulke radicale connectisten beweren dat symbolische verwerking een slechte gok was over hoe de geest werkt. Ze klagen dat de klassieke theorie niet goed is in het verklaren van gracieuze functieverlies, holistische representatie van gegevens, spontane generalisatie, waardering van context en vele andere kenmerken van menselijke intelligentie die in hun modellen zijn vastgelegd. Het falen van klassieke programmering om de flexibiliteit en efficiëntie van menselijke cognitie te evenaren, is door hun licht een symptoom van de behoefte aan een nieuw paradigma in de cognitieve wetenschap. Dus radicale connectisten zouden symbolische verwerking voor altijd uit de cognitieve wetenschap elimineren.

6. Connectionist-vertegenwoordiging

Connectionist-modellen bieden een nieuw paradigma om te begrijpen hoe informatie in de hersenen kan worden weergegeven. Een verleidelijk maar naïef idee is dat afzonderlijke neuronen (of minuscule neurale bundels) kunnen worden gewijd aan de representatie van elk ding dat de hersenen moeten vastleggen. We kunnen ons bijvoorbeeld voorstellen dat er een grootmoederneuron is dat vuurt als we aan onze grootmoeder denken. Een dergelijke lokale vertegenwoordiging is echter niet waarschijnlijk. Er zijn goede aanwijzingen dat het denken van onze grootmoeder complexe activiteitenpatronen omvat die zijn verdeeld over relatief grote delen van de cortex.

Het is interessant op te merken dat gedistribueerde, in plaats van lokale representaties op de verborgen eenheden, de natuurlijke producten zijn van connectieve trainingsmethoden. De activeringspatronen die op de verborgen eenheden verschijnen terwijl NETtalk tekst verwerkt, dienen als voorbeeld. Uit analyse blijkt dat het net heeft geleerd categorieën als medeklinkers en klinkers weer te geven, niet door één eenheid actief te maken voor medeklinkers en een andere voor klinkers, maar door twee verschillende karakteristieke activiteitspatronen te ontwikkelen in alle verborgen eenheden.

Gezien de verwachtingen die voortkomen uit onze ervaring met lokale representatie op de gedrukte pagina, lijkt gedistribueerde representatie zowel nieuw als moeilijk te begrijpen. Maar de techniek heeft belangrijke voordelen. Zo blijven gedistribueerde representaties (in tegenstelling tot symbolen die zijn opgeslagen in afzonderlijke vaste geheugenlocaties) relatief goed bewaard wanneer delen van het model worden vernietigd of overbelast. Wat nog belangrijker is, omdat representaties in patronen worden gecodeerd in plaats van afvuren van individuele eenheden, worden relaties tussen representaties gecodeerd in de overeenkomsten en verschillen tussen deze patronen. Dus de interne eigenschappen van de representatie bevatten informatie over waar het over gaat (Clark 1993, 19). Daarentegen is lokale vertegenwoordiging conventioneel. Geen intrinsieke eigenschappen van de representatie (een eenheid 's afvuren) bepaal de relatie met de andere symbolen. Dit zelfrapporterende kenmerk van gedistribueerde representaties belooft een filosofisch raadsel over betekenis op te lossen. In een symbolisch representatieschema zijn alle representaties samengesteld uit symbolische atomen (zoals woorden in een taal). Betekenissen van complexe symboolreeksen kunnen worden gedefinieerd door de manier waarop ze zijn opgebouwd uit hun componenten, maar wat fixeert de betekenissen van de atomen?maar wat bepaalt de betekenis van de atomen?maar wat bepaalt de betekenis van de atomen?

Connectionistische representatieve schema's bieden een eind aan de puzzel door simpelweg af te zien van atomen. Elke gedistribueerde representatie is een activiteitenpatroon over alle eenheden heen, dus er is geen principiële manier om onderscheid te maken tussen eenvoudige en complexe representaties. Zeker, representaties zijn samengesteld uit de activiteiten van de individuele eenheden. Maar geen van deze 'atomen' codeert voor enig symbool. De representaties zijn subsymbolisch in die zin dat analyse in hun componenten het symbolische niveau achter zich laat.

Het subsymbolische karakter van gedistribueerde representatie biedt een nieuwe manier om informatieverwerking in de hersenen te bedenken. Als we de activiteit van elk neuron modelleren met een nummer, dan kan de activiteit van het hele brein worden gegeven door een gigantische vector (of lijst) van getallen, één voor elk neuron. Zowel de input van de hersenen vanuit sensorische systemen als de output naar individuele spierneuronen kan ook worden behandeld als vectoren van dezelfde soort. Het brein komt dus neer op een vectorprocessor en het probleem van de psychologie wordt omgezet in vragen over welke operaties op vectoren de verschillende aspecten van de menselijke cognitie verklaren.

Subsymbolische representatie heeft interessante implicaties voor de klassieke hypothese dat de hersenen symbolische representaties moeten bevatten die vergelijkbaar zijn met zinnen van een taal. Dit idee, vaak de taal van het denken (of LOT) genoemd, kan worden aangevochten door de aard van de connectistische representaties. Het is niet eenvoudig om precies te zeggen wat het proefschrift van LOT inhoudt, maar van Gelder (1990) biedt een invloedrijke en algemeen aanvaarde maatstaf om te bepalen wanneer het brein zou moeten bevatten dat het zinachtige representaties bevat. Het is dat wanneer een representatie wordt gesigneerd, men daarmee de bestanddelen van die representatie symboliseert. Als ik bijvoorbeeld 'John houdt van Maria' schrijf, heb ik daarbij de bestanddelen van de zin geschreven: 'John' 'houdt van' en 'Maria'.Gedistribueerde representaties voor complexe expressies zoals 'John loves Mary' kunnen worden geconstrueerd die geen expliciete representatie van hun delen bevatten (Smolensky 1991). De informatie over de bestanddelen kan uit de representaties worden gehaald, maar neurale netwerkmodellen hoeven deze informatie niet expliciet zelf te extraheren om ze correct te verwerken (Chalmers 1990). Dit suggereert dat neurale netwerkmodellen dienen als tegenvoorbeelden van het idee dat de taal van het denken een voorwaarde is voor menselijke cognitie. De kwestie is echter nog steeds een levendig debat (Fodor 1997).maar neurale netwerkmodellen hoeven deze informatie niet expliciet zelf te extraheren om ze correct te verwerken (Chalmers 1990). Dit suggereert dat neurale netwerkmodellen dienen als tegenvoorbeelden van het idee dat de taal van het denken een voorwaarde is voor menselijke cognitie. De kwestie is echter nog steeds een levendig debat (Fodor 1997).maar neurale netwerkmodellen hoeven deze informatie niet expliciet zelf te extraheren om ze correct te verwerken (Chalmers 1990). Dit suggereert dat neurale netwerkmodellen dienen als tegenvoorbeelden van het idee dat de taal van het denken een voorwaarde is voor menselijke cognitie. De kwestie is echter nog steeds een levendig debat (Fodor 1997).

De nieuwigheid van gedistribueerde en gesuperponeerde connectionistische informatie-opslag zorgt er natuurlijk voor dat men zich afvraagt ​​of de klassieke noties van symbolische berekeningen levensvatbaar zijn bij het beschrijven van de hersenen. Ramsey (1997) stelt dat hoewel we symbolische representaties kunnen toekennen aan neurale netten, deze attributies niet voorkomen in legitieme verklaringen van het gedrag van het model. Deze bewering is belangrijk omdat het klassieke verslag van cognitieve verwerking (en volksintuïties) veronderstelt dat representaties een verklarende rol spelen bij het begrijpen van de geest. Algemeen wordt aangenomen dat de cognitieve wetenschap van nature verklaringen vereist die representaties aanspreken (Von Eckardt 2003). Als Ramsey gelijk heeft, kan het punt op twee verschillende manieren worden doorgesneden. Sommigen gebruiken het misschien om te pleiten voor een nieuw en niet-klassiek begrip van de geest,terwijl anderen het zouden gebruiken om te beweren dat het connectionisme ontoereikend is omdat het niet kan uitleggen wat het moet. Haybron (2000) stelt echter tegen Ramsey dat er voldoende ruimte is voor representaties met een verklarende rol in radicale connectionistische architecturen. Roth (2005) maakt het interessante punt dat het, in tegenstelling tot eerste indrukken, ook volkomen logisch kan zijn om het gedrag van een net te verklaren aan de hand van een computerprogramma, zelfs als er geen manier is om een ​​reeks stappen van de berekening door de tijd te onderscheiden.het kan ook volkomen logisch zijn om het gedrag van een net te verklaren aan de hand van een computerprogramma, zelfs als er geen manier is om een ​​reeks stappen van de berekening door de tijd te onderscheiden.Het kan ook volkomen logisch zijn om het gedrag van een net uit te leggen aan de hand van een computerprogramma, zelfs als er geen manier is om een ​​reeks stappen van de berekening door de tijd te onderscheiden.

Het debat over de aanwezigheid van klassieke representaties en een taal van denken is vertroebeld door onduidelijkheid bij het definiëren van wat zou moeten gelden als de representatieve "voertuigen" in gedistribueerde neurale modellen. Shea (2007) wijst erop dat de individuatie van gedistribueerde representaties moet worden gedefinieerd door de manier waarop activeringspatronen op de verborgen eenheden samen clusteren. Het zijn de relaties tussen clusteringgebieden in de ruimte van mogelijke activeringspatronen die representatieve inhoud bevatten, niet de activeringen zelf, noch de verzameling eenheden die verantwoordelijk zijn voor de activering. In dit opzicht zijn de vooruitzichten verbeterd voor het lokaliseren van representatieve inhoud in neurale netten die kunnen worden vergeleken in netten van verschillende architecturen, die causaal betrokken zijn bij verwerking,en die een aantal bezwaren tegen holistische betekenissen van betekenis overwint.

In een reeks artikelen verdedigen Horgan en Tienson (1989, 1990) een visie die representaties zonder regels wordt genoemd. Volgens deze opvatting hebben classici gelijk als ze denken dat menselijke hersenen (en goede verbindingsmodellen daarvan) verklarend robuuste representaties bevatten; maar ze hebben het bij het verkeerde eind als ze denken dat die representaties vaste regels aannemen, zoals de stappen van een computerprogramma. Het idee dat connectionistische systemen graduele of geschatte regelmatigheden kunnen volgen ('zachte wetten' zoals Horgan en Tienson ze noemen) is intuïtief en aantrekkelijk. Aizawa (1994) stelt echter dat, gegeven een willekeurig neuraal net met een representatieniveau beschrijving, het altijd mogelijk is om het uit te rusten met harde en snelle representatieniveau regels. Guarini (2001) antwoordt dat als we aandacht besteden aan noties van volgende regels die nuttig zijn voor cognitieve modellering,Aizawa's constructies lijken naast het punt.

7. Het systematisch debat

De belangrijkste controversen in de filosofische literatuur over connectie hebben te maken met het feit of connectisten een levensvatbaar en nieuw paradigma bieden om de geest te begrijpen. Een klacht is dat verbindingsmodellen alleen goed zijn in verwerkingsverenigingen. Maar taken als taal en redeneren kunnen niet alleen met associatieve methoden worden uitgevoerd en daarom is het onwaarschijnlijk dat connectisten de prestaties van klassieke modellen evenaren bij het verklaren van deze hogere cognitieve vaardigheden. Het is echter eenvoudig te bewijzen dat neurale netwerken alles kunnen doen wat symbolische processors kunnen, aangezien er netten kunnen worden gemaakt die de circuits van een computer nabootsen. Het bezwaar kan dus niet zijn dat verbindingsmodellen geen verklaring bieden voor hogere cognitie; het is eerder dat ze dit alleen kunnen doen als ze de classicistische implementeren 's symbolische verwerkingsinstrumenten. Implementationeel connectionisme kan slagen, maar radicale connectisten zullen nooit de geest kunnen verantwoorden.

De vaak geciteerde paper (1988) van Fodor en Pylyshyn lanceert een dergelijk debat. Ze identificeren een kenmerk van menselijke intelligentie, systematiek genaamd, waarvan ze denken dat connectisten het niet kunnen verklaren. De systematiek van taal verwijst naar het feit dat het vermogen om sommige zinnen te produceren / begrijpen / denken, intrinsiek verbonden is met het vermogen om anderen met een gerelateerde structuur te produceren / begrijpen / denken. Niemand met een beheersing van het Engels die 'John loves Mary' begrijpt, kan bijvoorbeeld 'Mary loves John' niet begrijpen. Vanuit klassiek oogpunt kan het verband tussen deze twee vermogens gemakkelijk worden verklaard door aan te nemen dat de meesters van het Engels de constituenten ('John', 'loves' en 'Mary') van 'John loves Mary' vertegenwoordigen en de betekenis ervan berekenen uit de betekenissen van deze bestanddelen. Als dit zo is,dan kan het begrijpen van een nieuwe zin als 'Maria houdt van Johannes' worden verklaard als een ander voorbeeld van hetzelfde symbolische proces. Op een vergelijkbare manier zou symbolische verwerking de systematiek van redeneren, leren en denken verklaren. Het zou verklaren waarom er geen mensen zijn die P van P & (Q & R) kunnen afronden, maar niet in staat zijn om P van P & Q af te sluiten, waarom er geen mensen zijn die kunnen leren om een ​​rode kubus te verkiezen boven groen vierkant die kan niet leren om een ​​groene kubus te verkiezen boven het rode vierkant, en waarom er niemand is die kan denken dat John van Mary houdt, die ook niet kan denken dat Mary van John houdt.Het zou verklaren waarom er geen mensen zijn die P van P & (Q & R) kunnen afronden, maar niet in staat zijn om P van P & Q af te sluiten, waarom er geen mensen zijn die kunnen leren om een ​​rode kubus te verkiezen boven groen vierkant die kan niet leren om een ​​groene kubus te verkiezen boven het rode vierkant, en waarom er niemand is die kan denken dat John van Mary houdt, die ook niet kan denken dat Mary van John houdt.Het zou verklaren waarom er geen mensen zijn die P van P & (Q & R) kunnen afronden, maar niet in staat zijn om P van P & Q af te sluiten, waarom er geen mensen zijn die kunnen leren om een ​​rode kubus te verkiezen boven groen vierkant die kan niet leren om een ​​groene kubus te verkiezen boven het rode vierkant, en waarom er niemand is die kan denken dat John van Mary houdt, die ook niet kan denken dat Mary van John houdt.

Fodor en McLaughlin (1990) stellen in detail dat connectiviteitsdeskundigen geen rekening houden met systematiek. Hoewel connectiviteitsmodellen getraind kunnen worden om systematisch te zijn, kunnen ze bijvoorbeeld ook getraind worden om 'Johannes houdt van Maria' te herkennen zonder 'Maria houdt van Johannes' te kunnen herkennen. Aangezien connectisme de systematiek niet garandeert, verklaart het niet waarom systematiek zo alomtegenwoordig wordt gevonden in de menselijke cognitie. Systematiek kan bestaan ​​in verbindingsarchitecturen, maar waar het bestaat, is het niet meer dan een gelukkig ongeluk. De klassieke oplossing is veel beter, omdat in klassieke modellen de alomtegenwoordige systematiek gratis is.

De beschuldiging dat verbindingsnetten worden benadeeld bij het uitleggen van systematiek, heeft veel belangstelling gewekt. Chalmers (1993) wijst erop dat het argument van Fodor en Pylyshyn te veel bewijst, omdat het inhoudt dat alle neurale netten, zelfs die met een klassieke architectuur, geen systematiek vertonen. Gezien de onomstreden conclusie dat de hersenen een neuraal net zijn, zou hieruit volgen dat systematiek onmogelijk is in het menselijk denken. Een ander vaak genoemd weerwoord (Aizawa 1997; Matthews 1997; Hadley 1997b) is dat klassieke architecturen de systematiek niet beter kunnen verklaren. Er zijn ook klassieke modellen die kunnen worden geprogrammeerd om 'John loves Mary' te herkennen zonder 'Mary loves John' te kunnen herkennen.'Het punt is dat noch het gebruik van alleen de connectionistische architectuur, noch het gebruik van de klassieke architectuur alleen een sterk genoeg vereiste afdwingt om de alomtegenwoordige systematiek te verklaren. In beide architecturen moeten verdere aannames over de aard van de verwerking worden gedaan om ervoor te zorgen dat 'Mary loves John' ook wordt verwerkt.

Een bespreking van dit punt zou de eis van Fodor en McLaughlin moeten vermelden dat systematiek moet worden uitgelegd als een kwestie van nomische noodzaak, dat wil zeggen, als een kwestie van natuurwet. De klacht tegen connectisten is dat ze weliswaar systemen kunnen implementeren die systematisch zijn, maar dat ze het niet hebben uitgelegd tenzij het volgt uit hun modellen als een absolute noodzaak. De vraag naar nomische noodzaak is echter zeer groot, en een vraag waaraan klassieke architecturen duidelijk ook niet kunnen voldoen. Dus de enige tactiek om connectisten langs deze lijnen een veelzeggend bezwaar te bezorgen, zou zijn om de eis inzake de uitleg van systematiek te verzwakken tot een vereiste waaraan klassieke architecturen wel en connectisten niet kunnen voldoen. Een dergelijk overtuigend geval moet nog worden gemaakt.

Naarmate het systematische debat is geëvolueerd, is de aandacht gericht op het definiëren van de benchmarks die de uitdaging van Fodor en Pylyshyn zouden beantwoorden. Hadley (1994a, 1994b) onderscheidt drie merken van systematiek. Connectionisten hebben de zwakste hiervan duidelijk aangetoond door te laten zien dat neurale netten kunnen leren om nieuwe woordreeksen (bijv. 'Mary loves John') die niet in de trainingsset zaten, correct te herkennen. Hadley beweert echter dat een overtuigende weerlegging een sterke systematiek of een betere sterke semantische systematiek moet aantonen. Sterke systematiek vereist (tenminste) dat 'Mary loves John' wordt herkend, zelfs als 'Mary' nooit in de onderwerpspositie voorkomt in een zin in de trainingsset.Een sterke semantische systematiek zou ook vereisen dat het net bekwaamheden vertoont bij het correct semantisch verwerken van de nieuwe zinnen in plaats van slechts een onderscheid te maken tussen grammaticale en niet-programmatische vormen. Niklasson en van Gelder (1994) claimen succes bij sterke systematiek, hoewel Hadley klaagt dat dit op zijn best een grensgeval is. Hadley en Hayward (1997) pakken een sterke semantische systematiek aan, maar het is volgens Hadley zelf niet duidelijk dat ze het gebruik van een klassieke architectuur hebben vermeden. Boden en Niklasson (2000) beweren een model te hebben geconstrueerd dat in ieder geval voldoet aan de geest van sterke semantische systematiek, maar Hadley (2004) stelt dat zelfs een sterke systematiek daar niet is aangetoond. Of men deze pogingen positief of negatief beoordeelt,het is veilig om te zeggen dat niemand de uitdaging is aangegaan om een ​​neuraal netwerk te bieden dat in staat is om complexe semantische verwerking te leren, die generaliseert naar een volledig scala aan werkelijk nieuwe inputs.

Kent Johnson (2004) stelt dat het hele systematische debat misleidend is. Pogingen om de systematiek van taal of gedachte zorgvuldig te definiëren, laten ons achter met trivialiteiten of onwaarheden. Connectionists moeten zeker uitleggen wat ze moeten doen, maar Johnson beveelt aan dat het zinloos is om hun last onder de noemer van systematiek te zien. Wat nodig is, is de ontwikkeling van neurale netmodellen die in staat zijn een taal met een recursieve syntaxis te verwerken, die onmiddellijk reageren op de introductie van nieuwe items in het lexicon. Het debat over 'systematiek' is misschien al voorbij, zoals Johnson adviseert, want wat Hadley sterke semantische systematiek noemt, lijkt een goede maatstaf voor succes in die richting.

8. Connectionisme en semantische gelijkenis

Een van de attracties van gedistribueerde representaties in connectistische modellen is dat ze een oplossing suggereren voor het probleem van het bepalen van de betekenis van hersentoestanden. Het idee is dat de overeenkomsten en verschillen tussen activeringspatronen langs verschillende dimensies van neurale activiteit semantische informatie vastleggen. Op deze manier zorgen de overeenkomstigheidseigenschappen van neurale activaties voor intrinsieke eigenschappen die de betekenis fixeren. Fodor en Lepore (1992, Ch. 6) dagen echter overeenkomsten op basis van gelijkenis op twee fronten uit. Het eerste probleem is dat de menselijke hersenen vermoedelijk aanzienlijk variëren in het aantal en de verbindingen tussen hun neuronen. Hoewel het eenvoudig is om vergelijkingsmaatregelen te definiëren op twee netten die hetzelfde aantal eenheden bevatten, is het moeilijker om te zien hoe dit kan worden gedaan wanneer de basisarchitecturen van twee netten verschillen.Het tweede probleem dat Fodor en Lepore aanhalen is dat, zelfs als overeenkomsten voor betekenissen van overeenkomsten met succes kunnen worden gemaakt, ze niet toereikend zijn voor het vervullen van de desiderata waaraan een betekenistheorie moet voldoen.

Churchland (1998) laat zien dat aan de eerste van deze twee bezwaren kan worden voldaan. Onder verwijzing naar het werk van Laakso en Cottrell (2000) legt hij uit hoe overeenkomsten tussen activeringspatronen in netten met radicaal verschillende structuren kunnen worden gedefinieerd. Niet alleen dat, Laakso en Cottrell laten zien dat netten van verschillende structuren die op dezelfde taak zijn getraind, activeringspatronen ontwikkelen die sterk vergelijkbaar zijn volgens de maatregelen die ze aanbevelen. Dit biedt hoop dat empirisch goed gedefinieerde maatstaven voor gelijkenis van concepten en gedachten tussen verschillende individuen kunnen worden vervalst.

Aan de andere kant staat de ontwikkeling van een traditionele zingevingstheorie op basis van gelijkenis voor grote obstakels (Fodor en Lepore 1999), want een dergelijke theorie zou nodig zijn om zinnen waarheidsvoorwaarden toe te kennen op basis van een analyse van de betekenis van hun delen, en het is niet duidelijk dat gelijkenis alleen geschikt is voor taken als het vaststellen van denotatie op de manier die een standaardtheorie vereist. De meeste connectionisten die op overeenkomsten gebaseerde betekenissen van betekenis promoten, verwerpen echter veel van de vooronderstelling van standaardtheorieën. Ze hopen een werkend alternatief te creëren dat deze vooronderstellingen verwerpt of wijzigt, terwijl ze nog steeds trouw blijven aan de gegevens over menselijke taalvaardigheden.

Calvo Garzon (2003) klaagt dat er redenen zijn om aan te nemen dat connectionists moeten falen. De reactie van Churchland heeft geen antwoord op de informatie-uitdaging op het gebied van onderpand. Dat probleem is dat de gemeten overeenkomsten tussen activeringspatronen voor een concept (zeg maar: grootmoeder) in twee menselijke hersenen gegarandeerd erg laag zijn, omdat de (collaterale) informatie van twee mensen over hun grootmoeders (naam, uiterlijk, leeftijd, karakter) gaat heel anders zijn. Als concepten worden gedefinieerd door alles wat we weten, zullen de maatstaven voor activeringspatronen van onze concepten ver uit elkaar liggen. Dit is een echt diep probleem in elke theorie die betekenis wil definiëren door functionele relaties tussen hersentoestanden. Filosofen met veel strepen moeten met dit probleem worstelen.Gezien het ontbreken van een succesvol uitgewerkte conceptentheorie in zowel traditionele als connectistische paradigma's, is het alleen maar eerlijk om de vraag voor toekomstig onderzoek over te laten.

9. Connectionisme en de eliminatie van volkspsychologie

Een andere belangrijke toepassing van connectistisch onderzoek op filosofisch debat over de geest betreft de status van de volkspsychologie. Folkpsychologie is de conceptuele structuur die we spontaan toepassen om menselijk gedrag te begrijpen en te voorspellen. Als we bijvoorbeeld weten dat John een biertje wil en dat hij gelooft dat er een in de koelkast staat, kunnen we uitleggen waarom John net de keuken in is gegaan. Dergelijke kennis hangt in cruciale mate af van ons vermogen om anderen voor te stellen als wensen en doelen, plannen om ze te vervullen en overtuigingen om die plannen te leiden. Het idee dat mensen overtuigingen, plannen en verlangens hebben, is een gemeengoed van het gewone leven; maar geeft het een getrouwe beschrijving van wat er eigenlijk in de hersenen te vinden is?

De verdedigers zullen beweren dat de volkspsychologie te mooi is om vals te zijn (Fodor 1988, hoofdstuk 1). Wat kunnen we nog meer vragen om de waarheid van een theorie dan dat deze een onmisbaar kader biedt voor succesvolle onderhandelingen met anderen? Aan de andere kant zullen eliminativisten antwoorden dat het nuttige en wijdverbreide gebruik van een conceptueel schema niet pleit voor de waarheid ervan (Churchland 1989, Ch. 1). Oude astronomen vonden het idee van hemelse sferen nuttig (zelfs essentieel) voor het uitvoeren van hun discipline, maar nu weten we dat er geen hemelse sferen zijn. Vanuit het standpunt van de eliminativisten staat een trouw aan de volkspsychologie, zoals trouw aan de volks (aristotelische) fysica, wetenschappelijke vooruitgang in de weg. Een levensvatbare psychologie vereist mogelijk een zo radicale revolutie in haar conceptuele grondslagen als in de kwantummechanica.

Eliminativisten zijn geïnteresseerd in connectisme omdat het belooft een conceptuele basis te bieden die de volkspsychologie zou kunnen vervangen. Bijvoorbeeld Ramsey et al. (1991) hebben betoogd dat bepaalde feed-forward-netten aantonen dat eenvoudige cognitieve taken kunnen worden uitgevoerd zonder kenmerken te gebruiken die kunnen overeenkomen met overtuigingen, verlangens en plannen. In de veronderstelling dat dergelijke netten trouw zijn aan hoe de hersenen werken, doen concepten uit de volkspsychologie het niet beter dan hemelse sferen. Of verbindingsmodellen de volkspsychologie op deze manier ondermijnen, is nog steeds controversieel. Er zijn twee hoofdlijnen van de bewering dat verbindingsmodellen voorstander zijn van eliminativistische conclusies. Een bezwaar is dat de modellen van Ramsey et al. zijn feed forward-netten, die te zwak zijn om enkele van de meest basale kenmerken van cognitie, zoals het kortetermijngeheugen, uit te leggen.Ramsey et al. hebben niet aangetoond dat overtuigingen en verlangens ontbreken in een klasse van netten die geschikt zijn voor menselijke cognitie. Een tweede weerlegging weerlegt de bewering dat kenmerken die overeenkomen met overtuigingen en verlangens noodzakelijkerwijs ontbreken, zelfs niet in de feed forward-netten die aan de orde zijn (Von Eckardt 2005).

De vraag wordt verder bemoeilijkt door meningsverschillen over de aard van de volkspsychologie. Veel filosofen behandelen de overtuigingen en verlangens die door de volkspsychologie worden geponeerd als hersentoestanden met symbolische inhoud. De overtuiging dat er bijvoorbeeld een bier in de koelkast staat, wordt verondersteld een hersentoestand te zijn die symbolen bevat die overeenkomen met bier en een koelkast. Vanuit dit oogpunt is het lot van de volkspsychologie sterk verbonden met de symbolische verwerkingshypothese. Dus als connectionisten kunnen vaststellen dat hersenverwerking in wezen niet-symbolisch is, zullen er eliminativistische conclusies volgen. Aan de andere kant denken sommige filosofen niet dat volkspsychologie in wezen symbolisch is, en sommigen zouden zelfs het idee betwisten dat volkspsychologie in de eerste plaats als een theorie moet worden behandeld. Onder deze opvatting,het is veel moeilijker om verbanden te leggen tussen resultaten in connectistisch onderzoek en de verwerping van de volkspsychologie.

Bibliografie

  • Aizawa, K., 1994, 'Representations without Rules, Connectionism and the Syntactic Argument', Synthese, 101: 465–492.
  • Aizawa, K., 1997, 'Systematicity Explaining', Mind and Language, 12: 115–136.
  • Aizawa, K., 1997, 'tentoonstellen versus systematiek uitleggen: een antwoord aan Hadley en Hayward', Minds and Machines, 7: 39–55.
  • Bechtel, W., 1987, 'Connectionism and the Philosophy of Mind: an Overview', The Southern Journal of Philosophy, 26 (Supplement): 17–41.
  • Bechtel, W., 1988, "Connectionisme en regels en representatiesystemen: zijn ze compatibel?", Filosofische psychologie, 1: 5–15.
  • Bechtel, W., en Abrahamsen, A., 1990, Connectionism and the Mind: An Introduction to Parallel Processing in Networks, Cambridge, Mass.: Blackwell.
  • Boden, M. en Niklasson, L., 2000, "Semantic Systematicity and Context in Connectionist Networks", Connection Science, 12: 111–142.
  • Butler, K., 1991, 'Towards a Connectionist Cognitive Architecture', Mind and Language, 6: 252–272.
  • Calvo Garzon, F., 2003, 'Connectionist Semantics and the Collateral Information Challenge', Mind and Language, 18: 77–94.
  • Chalmers, D., 1990, "Syntactische transformaties op gedistribueerde representaties", Connection Science, 2: 53–62.
  • Chalmers, D., 1993, 'Why Fodor and Pylyshyn Were Wrong: The Simplest Refutation', Philosophical Psychology, 6 (3): 305–319.
  • Christiansen, M., en Chater, N., 1994, "Generalisatie en connectief leren van talen", Geest en taal, 9: 273–287.
  • Churchland, PM, 1995, The Engine of Reason, the Seat of the Soul: a Philosophical Journey into the Brain, Cambridge, Mass.: MIT Press.
  • Churchland, PM, 1998, "Conceptuele gelijkenis tussen zintuiglijke en neurale diversiteit: de Fodor / Lepore-uitdaging beantwoord", Journal of Philosophy, 95: 5–32.
  • Churchland, PM, 1989, A Neurocomputational Perspective: The Nature of Mind and the Structure of Science, Cambridge, Mass.: MIT Press.
  • Clark, A., 1989, Microcognition, Cambridge, Mass.: MIT Press.
  • Clark, A., 1993, Associative Engines, Cambridge, Mass.: MIT Press.
  • Clark, A., 1995, 'Connectionist Minds', in McDonald (1995), 339-356.
  • Clark, A., en Lutz, R. (redactie), 1992, Connectionism in Context, Springer.
  • Cotrell G., en Small, S., 1983, 'A Connectionist Scheme for Modeling Word Sense Disambiguation', Cognition and Brain Theory, 6: 89–120.
  • Cummins, R., 1991, 'The Role of Representation in Connectionist Explanations of Cognitive Capacities', in Ramsey, Stich en Rumelhart (1991), 91–114.
  • Cummins, R., 1996, 'Systematicity', Journal of Philosophy, 93 (22): 561–614.
  • Cummins, R., en Schwarz, G., 1991, "Connectionism, Computation, and Cognition", in T. Horgan en J. Tienson (1991), 60-73.
  • Davies, M., 1989, "Connectionism, Modularity and Tacit Knowledge", British Journal for the Philosophy of Science, 40: 541-555.
  • Davies, M., 1991, "Concepts, Connectionism and the Language of Thought", in Ramsey et al. (1991), 229–257.
  • Dinsmore, J. (red.), 1992, The Symbolische en Connectionist Paradigms: Closing the Gap, Hillsdale, NJ: Erlbaum.
  • Elman, JL, 1991, "Distributed Representations, Simple Recurrent Networks, and Grammatical Structure", in Touretzky (1991), 91–122.
  • Fodor, J., 1988, Psychosemantics, Cambridge, Mass.: MIT Press.
  • Fodor, J., 1997, 'Connectionisme en het probleem van systematiek: waarom Smolensky's oplossing nog steeds niet werkt', Cognition, 62: 109–119.
  • Fodor, J., en Lepore, E., 1992, Holism: A Shopper's Guide, Cambridge: Blackwell.
  • Fodor, J., en Lepore, E., 1999, 'All at Sea in Semantic Space: Churchland on Meaning Similarity', Journal of Philosophy, 96: 381–403.
  • Fodor, J. en McLaughlin, B., 1990, "Connectionisme en het probleem van systematiek: waarom Smolensky's oplossing niet werkt", Cognition, 35: 183–204.
  • Fodor, J., en Pylyshyn, Z., 1988, "Connectionism and Cognitive Architecture: a Critical Analysis", Cognition, 28: 3–71.
  • Garfield, J., 1997, 'Mentalese Not Spoken Here: Computation Cognition and Causation', Philosophical Psychology, 10: 413–435.
  • Garson, J., 1991, 'What Connectionists Can not Do: The Threat to Classical AI', in T. Horgan en J. Tienson (1991), p. 113–142.
  • Garson, J., 1994, 'Cognition without Classical Architecture', Synthese, 100: 291–305.
  • Garson, J., 1997, 'Syntaxis in een dynamisch brein', Synthese, 110: 343–355.
  • Guarini, M., 2001, 'A Defense of Connectionism Against the Syntactic Argument', Synthese, 128: 287–317.
  • Hadley, R., 1994a, 'Systematicity in Connectionist Language Learning', Mind and Language, 9: 247–271.
  • Hadley, R., 1994b, 'Systematicity Revisited', Mind and Language, 9: 431–444.
  • Hadley, R., 1997a, "Systematiek uitleggen: een antwoord aan Kenneth Aizawa", Minds and Machines, 7: 571–579.
  • Hadley, R., 1997b, 'Cognition, Systematicity and Nomic Necessity', Mind and Language, 12: 137–153.
  • Hadley, R., 2004, 'Over de juiste behandeling van semantische systematiek', Minds and Machines, 14: 145–172.
  • Hadley, R., en Hayward, M., 1997, 'Strong Semantic Systematicity from Hebbian Connectionist Learning', Minds and Machines, 7: 1–37.
  • Hanson, J., en Kegl, J., 1987, "PARSNIP: A Connectionist Network dat leert natuurlijke taal grammatica van blootstelling aan natuurlijke taalzinnen", Negende jaarlijkse conferentie van de Cognitive Science Society, Hillsdale, NJ: Erlbaum, pp. 106 –119.
  • Hatfield, G., 1991, "Representation in Perception and Cognition: Connectionist Affordances", in Ramsey et al. (1991), 163–195.
  • Hatfield, G., 1991, 'Representation and Rule-Instantiation in Connectionist Systems', in T. Horgan en J. Tienson (1991), 90–112.
  • Hawthorne, J., 1989, 'On the Compatibility of Connectionist and Classical Models', Philosophical Psychology, 2: 5–15.
  • Haybron, D., 2000, "De causale en verklarende rol van informatie die is opgeslagen in verbindingsnetwerken", Minds and Machines, 10: 361–380.
  • Hinton, G., 1992, 'How Neural Networks Learn from Experience', Scientific American, 267 (3): 145–151.
  • Hinton, G. (red.), 1991, Connectionist Symbol Processing, Cambridge, Mass.: MIT Press.
  • Hinton, G., 1991a, 'Deel-hele hiërarchieën in kaart brengen in verbindingsnetwerken', in Hinton (1991), 47–76.
  • Hinton, G., McClelland, J., en Rumelhart, D., 1986, "Distributed Representations", hoofdstuk 3 van Rumelhart, McClelland, et al. (1986).
  • Horgan, T., en Tienson, J., 1989, 'Representations without Rules', Philosophical Topics, 17: 147–174.
  • Horgan, T., en Tienson, J., 1990, "Soft Laws", Midwest Studies in Philosophy, 15: 256–279.
  • Horgan, T., en Tienson, J. (red.), 1991, Connectionism and the Philosophy of Mind, Dordrecht: Kluwer.
  • Horgan, T., en Tienson, J., 1996, Connectionism and the Philosophy of Psychology, Cambridge, Mass.: MIT Press.
  • Johnson, K., 2004, 'Over de systematiek van taal en denken', Journal of Philosophy, 101: 111–139.
  • Laakso, A., en Cotrell, G., 2000, "Inhouds- en clusteranalyse: beoordeling van representatieve overeenkomsten in neurale systemen", Filosofische psychologie, 13: 47–76.
  • Macdonald, C. (red.), 1995, Connectionism: Debates on Psychological Explanation, Oxford: Blackwell.
  • Matthews, R., 1997: 'Kunnen connectiviteitsfunctionarissen de systematiek uitleggen?' Geest en taal, 12: 154–177.
  • Marcus, G., 1998, 'Rethinking Eliminative Connectionism', Cognitive Psychology, 37: 243–282.
  • Marcus, G., 2001, The Algebraic Mind, Cambridge, Mass.: MIT Press.
  • McClelland, J., en Elman, J., 1986, "The TRACE Model of Speech Perception", Cognitive Psychology, 18: 1-86.
  • McClelland, J., Rumelhart, D., et al., 1986, Parallel Distributed Processing, Volume II, Cambridge, Mass.: MIT Press.
  • McLaughlin, B., 1993, "The Connectionism / Classicism Battle to Win Souls", Philosophical Studies, 71: 163–190.
  • Miikkulainen, T., 1993, Subsymbolic Natural Language Processing: An Integrated Model of Scripts, Lexicon and Memory, Cambridge, Mass.: MIT Press.
  • Niklasson, L., en van Gelder, T., 1994, 'On Being Systematisch Connectionist', Mind and Language, 9: 288–302.
  • Phillips, S., 2002: 'Verklaart het classicisme de universaliteit?' Minds and Machines, 12: 423–434.
  • Pinker, S., en Mehler, J. (redactie), 1988, Connections and Symbols, Cambridge, Mass.: MIT Press.
  • Pinker, S., en Prince, A., 1988, "On Language and Connectionism: Analysis of a Parallel Distributed Processing Model of Language Acquisition", Cognition, 23: 73–193.
  • Pollack, J., 1989, 'Implications of Recursive Distributed Representations', in Touretzky (1989), 527–535.
  • Pollack, J., 1991a, 'Induction of Dynamic Recognizers', in Touretzky (1991), 123–148.
  • Pollack, J., 1991b, 'Recursive Distributed Representation', in Hinton (1991), 77–106.
  • Port, Robert, F., 1990, 'Weergave en herkenning van tijdelijke patronen', Connection Science, 2: 151–176.
  • Port, R., en van Gelder, T., 1991, "Representing Aspects of Language", Proceedings of the Thirteenth Annual Conference of the Cognitive Science Society, Hillsdale, NJ: Erlbaum.
  • Ramsey, W., 1997: "Verdienen Connectionist-representaties hun verklarende waarde?" Geest en taal, 12: 34–66.
  • Ramsey, W., Stich, S., en Rumelhart, D., 1991, Philosophy and Connectionist Theory, Hillsdale, NJ: Erlbaum.
  • Ramsey, W., Stich, S., en Garon, J., 1991, "Connectionism, Eliminativism, and the Future of Folk Psychology", in Ramsey, Rumelhart and Stich (1991), 199–228.
  • Roth, M., 2005, "Programma-uitvoering in verbindingsnetwerken", Mind and Language, 20: 448–467.
  • Rumelhart, D., en McClelland, J., 1986, "On Learning the Past Tenses of English Verbs", in McClelland en Rumelhart et al. (1986), 216–271.
  • Rumelhart, D., McClelland, J., et al., 1986, Parallel Distributed Processing, vol. I, Cambridge, Mass.: MIT Press.
  • Schwarz, G., 1992, 'Connectionism, Processing, Memory', Connection Science, 4: 207–225.
  • Sejnowski, T. en Rosenberg, C., 1987, 'Parallelle netwerken die leren Engelse tekst uit te spreken', Complex Systems, 1: 145–168.
  • Servan-Schreiber, D., Cleeremans, A., en McClelland, J., 1991, "Graded State Machines: The Representation of Temporal Contingencies in Simple Recurrent Networks", in Touretzky (1991), 57–89.
  • Shastri, L., en Ajjanagadde, V., 1993, “From Simple Associations to Systematic Reasoning: A Connectionist Representation of Rules, Variables, and Dynamic Bindings using Temporal Synchrony” Behavioral and Brain Sciences, 16: 417–494.
  • Shea, N., 2007, 'Inhoud en zijn voertuigen in verbindingssystemen', Geest en taal, 22: 246–269.
  • Shultz T. en Bale, A., 2001, "Neural Network Simulation of Infant Familiarization to Artificial Punces", Infancy, 2: 501–536.
  • Shultz T. en Bale, A., 2006, 'Neurale netten ontdekken een bijna identieke relatie om eenvoudige syntactische vormen te onderscheiden', Minds and Machines, 16: 107–139.
  • Smolensky, P., 1987, 'The Constituent Structure of Connectionist Mental States: A Reply to Fodor and Pylyshyn', The Southern Journal of Philosophy, 26 (Supplement): 137–161.
  • Smolensky, P., 1988, "On the Proper Treatment of Connectionism", Behavioral and Brain Sciences, 11: 1–74.
  • Smolensky, P., 1991, "Tensor Product Variable Binding and the Representation of Symbolic Structures in Connectionist Systems", in Hinton (1991), 159–216.
  • Smolensky, P., 1995, 'Constituent Structure and Explanation in an Integrated Connectionist / Symbolic Cognitive Architecture', in MacDonald (1995).
  • St. John, M., en McClelland, J., 1991, "Leren en toepassen van contextuele beperkingen bij het begrijpen van zinnen", in Hinton (1991), 217–257.
  • Tomberlin, J. (red.), 1995, Philosophical Perspectives 9: AI, Connectionism and Philosophical Psychology, Atascadero: Ridgeview Press.
  • Touretzky, D., 1989, Advances in Neural Information Processing Systems I, San Mateo, CA: Kaufmann.
  • Touretzky, D., 1990, Advances in Neural Information Processing Systems II, San Mateo, CA: Kaufmann.
  • Touretzky, D., 1991, Connectionist Approaches to Language Learning, Dordrecht: Kluwer.
  • Touretzky, D., Hinton, G. en Sejnowski, T., 1988, Proceedings of the 1988 Connectionist Models Summer School, San Mateo: Kaufmann.
  • van Gelder, T., 1990, 'Compositionaliteit: een connectie-variatie op een klassiek thema', Cognitive Science, 14: 355–384.
  • van Gelder, T., 1991, "Wat is de 'D' in PDP?" in Ramsey et al. (1991), 33-59.
  • van Gelder, T and Port, R., 1993, "Beyond Symbolic: Prolegomena to a Kama-Sutra of Compositionality", in V. Honavar en L. Uhr (Eds.), Symbol Processing and Connectionist Models in AI and Cognition: Steps Op weg naar integratie, Boston: Academic Press.
  • Vilcu, M., en Hadley, R., 2005, 'Twee schijnbare tegenvoorbeelden' voor Marcus: een nadere blik ', Minds and Machines, 15: 359–382.
  • Von Eckardt, B., 2003, 'The Explanatory Need for Mental Representations in Cognitive Science', Mind and Language, 18: 427–439.
  • Von Eckardt, B., 2005, 'Connectionism and the Propositional Attitudes', in C. Erneling en D. Johnson (red.), The Mind as a Scientific Object: Between Brain and Culture, New York: Oxford University Press.
  • Waltz, D., en Pollack, J., 1985, "Massively Parallel Pararsing: A Strongly Interactive Model of Natural Language Interpretation", Cognitive Science, 9: 51–74.

Andere internetbronnen

  • Bibliografie over Connectionism, samengesteld door David Chalmers (University of Arizona).
  • Connectionism: A Short Reading List, onderhouden door Ezra van Everbroeck (University of California-San Diego).

Populair per onderwerp