Connectionism

Sadržaj:

Connectionism
Connectionism

Video: Connectionism

Video: Connectionism
Video: Connectionism 2024, Ožujak
Anonim

To je spis u arhivu filozofske enciklopedije Stanford. Citirajte ovaj unos | Prijatelji PDF pregled | InPho pretraživanje | PhilPapers Bibliografija

Connectionism

Prvo objavljeno Ned, 18. svibnja 1997; suštinska revizija Utorak, 27. srpnja 2010

Konekcionizam je pokret u kognitivnoj znanosti koji se želi objasniti ljudskim intelektualnim sposobnostima pomoću umjetnih neuronskih mreža (poznatih i kao 'neuronske mreže' ili 'neuronske mreže'). Neuronske mreže su pojednostavljeni modeli mozga koji se sastoje od velikog broja jedinica (analoga neurona) zajedno s utezima koji mjere snagu veze između jedinica. Ovi utezi modeliraju učinke sinapsi koji povezuju jedan neuron s drugim. Eksperimenti na takvim modelima pokazali su sposobnost učenja takvih vještina kao što su prepoznavanje lica, čitanje i otkrivanje jednostavne gramatičke strukture.

Filozofi su se zainteresirali za konekcionizam jer on obećava alternativu klasičnoj teoriji uma: rašireno mišljenje da je um nešto slično digitalnom računalu koji obrađuje simbolički jezik. Točno kako i u kojoj mjeri konektivistička paradigma predstavlja izazov klasicizmu, bila je tema vruće rasprave posljednjih godina.

  • 1. Opis neuronskih mreža
  • 2. Učenje i širenje neuronske mreže
  • 3. Uzorci što neuronske mreže mogu učiniti
  • 4. Snage i slabosti modela neuronske mreže
  • 5. Oblik polemike konekcionista i klasicista
  • 6. Konekcionističko predstavljanje
  • 7. Rasprava o sustavnosti
  • 8. Konekcionizam i semantička sličnost
  • 9. Konekcionizam i uklanjanje narodne psihologije
  • Bibliografija
  • Ostali internetski resursi
  • Povezani unosi

1. Opis neuronskih mreža

Neuronska mreža sastoji se od velikog broja jedinica povezanih u obrascu veza. Jedinice u mreži obično se dijele na tri klase: ulazne jedinice, koje primaju informacije koje se obrađuju, izlazne jedinice u kojima se nalaze rezultati obrade i jedinice između pozvanih skrivenih jedinica. Ako bi neuronska mreža modelirala čitav ljudski živčani sustav, ulazne jedinice bile bi analogne senzornim neuronima, izlazne jedinice motoričkim neuronima, a skrivene jedinice svim ostalim neuronima.

Evo jednostavne ilustracije jednostavne neuronske mreže:

neto
neto

Svaka ulazna jedinica ima vrijednost aktivacije koja predstavlja neku značajku izvan mreže. Ulazna jedinica šalje svoju vrijednost aktiviranja svakoj skrivenoj jedinici na koju je spojena. Svaka od ovih skrivenih jedinica izračunava vlastitu vrijednost aktivacije ovisno o vrijednostima aktiviranja koje prima od ulaznih jedinica. Ovaj signal se zatim prosljeđuje na izlazne jedinice ili na drugi sloj skrivenih jedinica. Te skrivene jedinice na isti način izračunavaju vrijednosti aktiviranja i šalju ih svojim susjedima. Na kraju se signal na ulaznim jedinicama širi sve do mreže kako bi se odredile vrijednosti aktiviranja na svim izlaznim jedinicama.

Obrazac aktiviranja koji se postavlja mrežom određuje se težinom ili snagom veza između jedinica. Utezi mogu biti i pozitivni ili negativni. Negativna težina predstavlja inhibiciju prijemne jedinice djelovanjem jedinice koja šalje. Vrijednost aktivacije za svaku prijemnu jedinicu izračunava se prema jednostavnoj funkciji aktiviranja. Funkcije aktiviranja detaljno se razlikuju, ali sve se podudaraju s istim osnovnim planom. Funkcija zbraja doprinose svih jedinica za slanje, pri čemu se doprinos jedinice definira kao težina veze između jedinica za slanje i primanje, u odnosu na vrijednost aktiviranja jedinice za slanje. Taj se zbroj obično dodatno mijenja, npr.podešavanjem aktivacijske sume na vrijednost između 0 i 1 i / ili postavljanjem aktivacije na nulu osim ako je dosegnuta razina praga za zbroj. Konektivisti pretpostavljaju da se kognitivno funkcioniranje može objasniti zbirkama jedinica koje djeluju na ovaj način. Budući da se pretpostavlja da sve jedinice u načelu računaju istu jednostavnu funkciju aktiviranja, ljudska intelektualna dostignuća moraju prije svega ovisiti o postavkama utega između jedinica.

Vrsta mreže koja je gore prikazana naziva se mrežom prema naprijed. Aktivacija teče izravno od ulaza do skrivenih jedinica, a zatim na izlazne jedinice. Realniji modeli mozga uključivali bi mnogo slojeva skrivenih jedinica i ponavljajućih veza koje šalju signale s viših na niže razine. Takav je recidiv neophodan kako bi se objasnile takve kognitivne osobine kao što je kratkotrajno pamćenje. U mreži za pomicanje prema naprijed, opetovana prezentacija istog unosa daje svaki ishod svaki put, ali čak i najjednostavniji organizmi navikavaju (ili uče ignorirati) opetovano predstavljanje istog podražaja. Konekcionisti obično izbjegavaju ponavljajuće veze jer se malo razumije o općenitom problemu treniranja ponavljajućih mreža. Međutim, Elman (1991.) i drugi postigli su napredak s jednostavnim ponavljajućim mrežama,gdje je recidiv čvrsto ograničen.

2. Učenje i širenje neuronske mreže

Pronalaženje ispravnog skupa utega za postizanje zadanog zadatka središnji je cilj u povezivanju istraživanja. Srećom, osmišljeni su algoritmi za učenje koji mogu izračunati pravu težinu za obavljanje mnogih zadataka. (Pogledajte pristupačni pregled u Hintonu 1992.) Jedna od najčešće korištenih ovih metoda treninga naziva se povratno širenje. Za korištenje ove metode potreban je set treninga koji se sastoji od mnogo primjera ulaza i njihovih željenih rezultata za zadani zadatak. Ako je, na primjer, zadatak razlikovanja muškog od ženskog lica, set za trening može sadržavati slike lica zajedno s naznakom spola osobe prikazane u svakom od njih. Mreža koja može naučiti ovaj zadatak može imati dvije izlazne jedinice (koje označavaju kategorije muški i ženski) i mnogo ulaznih jedinica, od kojih je jedna posvećena svjetlini svakog piksela (sićušnom području) na slici. Težine mreže koja se trenira u početku se postavljaju na slučajne vrijednosti, a zatim se pripadnici skupa za vježbanje opetovano izlažu mreži. Vrijednosti za unos člana postavljaju se na ulazne jedinice, a izlaz mreže uspoređuje se s željenim izlazom za ovaj član. Tada se svi utezi u mreži malo podešavaju u smjeru koji bi neto izlazne vrijednosti približio vrijednostima za željeni izlaz. Na primjer, kada je lice mužjaka predstavljeno ulaznim jedinicama, utezi se podešavaju tako da se vrijednost muške izlazne jedinice povećava i vrijednost ženske izlazne jedinice smanjuje. Nakon mnogih ponavljanja ovog postupka mreža može naučiti proizvesti željeni izlaz za svaki ulaz u setu za trening. Ako trening dobro prođe,mnogi su također naučili generalizirati do željenog ponašanja za ulaze i izlaze koji nisu bili u setu za trening. Na primjer, može dobro učiniti razliku od mužjaka od ženki na slikama koje mu nikada ranije nisu bile predstavljene.

Obuka mreža za modeliranje aspekata ljudske inteligencije je umjetnost. Uspjeh u povraćanju i drugim konekcionističkim metodama učenja može ovisiti o vrlo suptilnom podešavanju algoritma i skupa treninga. Trening obično uključuje stotine tisuća krugova prilagođavanja težine. S obzirom na ograničenja računala koja su trenutno dostupna istraživačima za vezu, obuka mreže za obavljanje zanimljivog zadatka može potrajati danima ili čak tjednima. Neke se poteškoće mogu riješiti ako su paralelni sklopovi posebno dizajnirani za pokretanje modela neuronske mreže široko dostupni. Ali čak će i ovdje biti suočena neka ograničenja u povezivanju s teorijama učenja. Ljudi (i mnoge manje inteligentne životinje) pokazuju sposobnost učenja iz pojedinih događaja;na primjer životinja koja jede hranu koja kasnije uzrokuje želučane tegobe nikad više neće probati tu hranu. Konekcionističke tehnike učenja poput povratnog širenja daleko su od objašnjavanja ove vrste učenja "jednim pogotkom".

3. Uzorci što neuronske mreže mogu učiniti

Konekcionisti su postigli značajan napredak u demonstriranju snage neuronskih mreža za savladavanje kognitivnih zadataka. Evo tri dobro poznata eksperimenta koji su potaknuli konekcioniste da vjeruju da su neuronske mreže dobar model ljudske inteligencije. Jedan od najatraktivnijih ovih napora je rad Sejnowskog i Rosenberga iz 1987. na mreži koji može čitati engleski tekst nazvan NETtalk. Trening set za NETtalk bio je velika baza podataka koja se sastojala od engleskog teksta, zajedno s pripadajućim fonetskim izlazom, napisana u kodu pogodnom za uporabu s sintetizatorom govora. Vrpce NETtalk-ove izvedbe u različitim fazama njegovog treninga vrlo su zanimljive za slušanje. Isprva je izlaz slučajni šum. Kasnije mreža zvuči kao da brblja,a kasnije i dalje kao da govori engleski dvostruki govor (govor koji je sastavljen od zvukova koji nalikuju engleskim riječima). Na kraju treninga, NETtalk obavlja prilično dobar posao izgovaranja datog teksta. Nadalje, ova sposobnost se prilično dobro generira na tekst koji nije bio predstavljen u setu za trening.

Drugi utjecajni model ranog povezivanja bio je mreža koju su obučili Rumelhart i McClelland (1986) za predviđanje prošlosti vremena engleskih glagola. Zadatak je zanimljiv jer iako većina glagola na engleskom jeziku (pravilni glagoli) tvori prošlu rečenicu dodavanjem sufiksa '-ed', mnogi su najčešće glagoli nepravilni ('is' / 'was', 'come' / 'došao', 'ići' / 'otišao'). Mreža je prvo trenirana na skupu koji je sadržavao veliki broj nepravilnih glagola, a kasnije i skupom od 460 glagola koji je sadržavao uglavnom redovne. Mreža je naučila protekle desetine od 460 glagola u oko 200 krugova treninga, a prilično se dobro generalizirala za glagole koji nisu u setu treninga. Čak je pokazao i dobru uvažavanje "pravilnosti" među nepravilnim glagolima ("poslati" / "poslao", "izgraditi" / "izgraditi"; "udariti" / "puhati", "letjeti" / "odletjeti"), Tijekom učenja,kako je sustav bio izložen skupu za trening koji sadrži pravilnije glagole, imao je tendenciju preregulisanja, tj. kombiniranja nepravilnih i pravilnih oblika: ('break' / 'broked', umjesto 'break' / 'break'), To je ispravljeno više treninga. Zanimljivo je napomenuti da je poznato da djeca pokazuju istu sklonost prekomjernom reguliranju tijekom učenja jezika. No, vode se vruće rasprave oko toga jesu li Rumelhartovi i McClellandovi dobri modeli kako ljudi zapravo uče i obrađuju glagolske završetke. Na primjer, Pinker & Prince (1988.) ističu da model ima loš posao generalizacije nekih romanskih redovitih glagola. Oni vjeruju da je to znak osnovnog neuspjeha u konekcionističkim modelima. Mreže mogu biti dobre u pravljenju asocijacija i podudaranju obrazaca,ali oni imaju temeljna ograničenja u savladavanju općih pravila poput formiranja redovnog prošloga vremena. Ti prigovori postavljaju važno pitanje konekcionističkim modelarima, naime mogu li mreže pravilno generalizirati kako bi savladali kognitivne zadatke koji uključuju pravila. Unatoč Pinker-evim i Princeovim prigovorima, mnogi konektivisti smatraju da je generalizacija prave vrste još uvijek moguća (Niklasson i van Gelder 1994).

Elmanovo djelo iz 1991. na mrežama koje mogu cijeniti gramatičku strukturu ima važne implikacije na raspravu o tome mogu li neuronske mreže naučiti ovladati pravilima. Elman je obučio jednostavnu ponavljajuću mrežu da predvidi sljedeću riječ u velikom korpusu engleskih rečenica. Rečenice su nastale iz jednostavnog vokabulara od 23 riječi koristeći podskup engleske gramatike. Gramatika, iako jednostavna, predstavljala je težak test za jezičnu svijest. Omogućilo je neograničeno stvaranje relativnih rečenica, uz istovremeno traženje dogovora između imenice glava i glagola. Tako npr. U rečenici

Svaki čovjek koji potjera pasa koji loviti mačke … trčanje je.

jednina ' čovjek ' mora se slagati s glagolom 'run s'usprkos interventnim množinskim imenicama (' psi ',' mačke ') što bi moglo uzrokovati odabir' trčati '. Jedna od važnih karakteristika Elmanovog modela je uporaba ponavljajućih veza. Vrijednosti na skrivenim jedinicama spremaju se u skup takozvanih kontekstnih jedinica koje se šalju na ulaznu razinu za sljedeći krug obrade. Ovo ponovno petljanje od skrivenih do ulaznih slojeva pruža mrežnom rudimentarnom obliku memorije slijeda riječi u ulaznoj rečenici. Elmanove mreže pokazale su uvažavanje gramatičke strukture rečenica koje nisu bile u setu za trening. Neto naredba sintakse mjereno je na sljedeći način. Predviđanje sljedeće riječi u engleskoj rečenici je, naravno, nemoguć zadatak. Međutim, te su mreže uspjele, barem sljedećom mjerom. U određenom trenutku ulazne rečenice,izlazne jedinice za riječi koje su gramatički nastavak rečenice u tom trenutku trebaju biti aktivne, a izlazne jedinice za sve ostale riječi trebaju biti neaktivne. Nakon intenzivnog treninga, Elman je uspio stvoriti mreže koje pokazuju savršene performanse ove mjere, uključujući rečenice koje nisu u setu za trening.

Iako je ova izvedba impresivna, još uvijek treba proći dug put u mrežama za trening koje mogu obrađivati jezik. Nadalje, postavljene su sumnje u značaj Elmanovih rezultata. Na primjer, Marcus (1998, 2001) tvrdi da Elmanove mreže nisu u stanju generalizirati ovu izvedbu na rečenice nastale iz novoga vokabulara. To je, tvrdi, znak da konekcionistički modeli samo povezuju instance i nisu u stanju da istinski ovladaju apstraktnim pravilima. S druge strane, Phillips (2002) tvrdi da klasične arhitekture u tom pogledu nisu ništa bolje. Navodna nesposobnost konekcionističkih modela da generiraju performanse na ovaj način postala je važna tema u raspravi o sustavnosti. (Pogledajte odjeljak 7 u nastavku.)

Nešto drugačija zabrinutost zbog adekvatnosti konekcionističke obrade jezika usredotočena je na zadatke koji oponašaju dojenačku učenje jednostavnih umjetnih gramatika. Podaci o vremenu reakcije potvrđuju da dojenčad može naučiti razlikovati dobro oblikovane od loše oblikovanih rečenica u novom jeziku koji su stvorili eksperimenti. Shultz i Bale (2001) izvijestili su o uspjehu u obučavanju neuronskih mreža na istom zadatku. Vilcu i Hadley (2005) prigovaraju da ovo djelo ne pokazuje istinsko stjecanje gramatike, ali detaljan odgovor potražite u Shultz i Bale (2006).

4. Snage i slabosti modela neuronske mreže

Filozofi su zainteresirani za neuronske mreže jer mogu pružiti novi okvir za razumijevanje prirode uma i njegove veze s mozgom (Rumelhart i McClelland 1986, poglavlje 1). Konekcionistički modeli djeluju posebno u skladu s onim što znamo o neurologiji. Mozak je doista neuronska mreža, formirana od masivno mnogo jedinica (neurona) i njihovih veza (sinapsi). Nadalje, nekoliko svojstava modela neuronske mreže sugerira da konekcionizam može pružiti posebno vjernu sliku prirode kognitivne obrade. Neuronske mreže pokazuju snažnu fleksibilnost u svjetlu izazova koje predstavlja stvarni svijet. Bučan unos ili uništavanje jedinica uzrokuje graciozno propadanje funkcija. Mrežni je odgovor još uvijek prikladan, iako nešto manje precizan. U kontrastu,buka i gubici sklopova u klasičnim računalima obično rezultiraju katastrofalnim kvarima. Neuronske mreže također su posebno dobro prilagođene za probleme koji zahtijevaju paralelno rješavanje mnogih sukobljenih ograničenja. Iz istraživanja umjetne inteligencije ima dovoljno dokaza da kognitivni zadaci poput prepoznavanja predmeta, planiranja, pa čak i koordiniranog pokreta predstavljaju takve probleme. Iako su klasični sustavi sposobni zadovoljiti višestruka ograničenja, konekcionisti tvrde da modeli neuronske mreže pružaju mnogo više prirodnih mehanizama za rješavanje takvih problema. Iz istraživanja umjetne inteligencije ima dovoljno dokaza da kognitivni zadaci poput prepoznavanja predmeta, planiranja, pa čak i koordiniranog pokreta predstavljaju takve probleme. Iako su klasični sustavi sposobni zadovoljiti višestruka ograničenja, konekcionisti tvrde da modeli neuronske mreže pružaju mnogo više prirodnih mehanizama za rješavanje takvih problema. Iz istraživanja umjetne inteligencije ima dovoljno dokaza da kognitivni zadaci poput prepoznavanja predmeta, planiranja, pa čak i koordiniranog pokreta predstavljaju takve probleme. Iako su klasični sustavi sposobni zadovoljiti višestruka ograničenja, konekcionisti tvrde da modeli neuronske mreže pružaju mnogo više prirodnih mehanizama za rješavanje takvih problema.

Tijekom stoljeća, filozofi su se mučili da razumiju kako su definirani naši pojmovi. Danas je široko poznato da je pokušaj karakterizacije običnih predodžbi s potrebnim i dovoljnim uvjetima osuđen na neuspjeh. Izuzeci od gotovo svake predložene definicije uvijek čekaju na krilo. Na primjer, moglo bi se zaključiti da je tigar velika crna i narančasta mačka. Ali što je s albino tigrima? Filozofi i kognitivni psiholozi tvrdili su da su kategorije razgraničene na fleksibilnije načine, na primjer, pojmom obiteljske sličnosti ili sličnosti s prototipom. Čini se da su konekcionistički modeli posebno prikladni za prilagođavanje stupnjevanim pojmovima pripadnosti kategoriji takve vrste. Mreže mogu naučiti cijeniti suptilne statističke obrasce, koje bi bilo teško izraziti kao čvrsta i brza pravila. Konekcionizam obećava da će objasniti fleksibilnost i uvid u ljudsku inteligenciju koristeći metode koje se ne mogu lako izraziti u obliku principa bez izuzetka (Horgan i Tienson 1989, 1990), čime se izbjegava krhkost koja proizlazi iz standardnih oblika simboličke reprezentacije.

Unatoč ovim intrigantnim značajkama, postoje neke slabosti u konekcionističkim modelima koji se spominju. Prvo, većina istraživanja neuronske mreže apstrahira od mnogih zanimljivih i možda važnih značajki mozga. Na primjer, konekcionisti obično ne pokušavaju eksplicitno modelirati raznolikost različitih vrsta moždanih neurona, niti učinke neurotransmitera i hormona. Nadalje, daleko je od toga da mozak sadrži vrstu obrnutih veza koje bi bile potrebne ako bi mozak naučio procesom kao što je povratno širenje, a ogroman broj ponavljanja potrebnih za takve metode treninga čini se daleko od realnog. Pozornost na ove stvari vjerojatno će biti potrebna ako se trebaju izgraditi uvjerljivi konektivistički modeli ljudske kognitivne obrade. Također mora biti ispunjen ozbiljniji prigovor. Rasprostranjeno je, posebno među klasicistima, da neuronske mreže nisu osobito dobre u vrsti obrade temeljenog na pravilima za koje se smatra da potkrpljuje jezik, rasuđivanje i više misaone forme. (Za dobro poznatu takvu kritiku pogledajte Pinker i Prince 1988.) O toj stvari ćemo dalje raspravljati kada se obratimo raspravi o sustavnosti.

5. Oblik polemike konekcionista i klasicista

Posljednjih četrdeset godina dominira klasično stajalište da je (barem veća) ljudska spoznaja analogna simboličkom računanju u digitalnim računalima. Na klasičnom računu informacije su predstavljene nizovima simbola, baš kao što prikazujemo podatke u memoriji računala ili na komadima papira. Konektivist tvrdi, s druge strane, da se informacije pohranjuju ne simbolično u utezima ili jačini veze, između jedinica neuronske mreže. Klasicist smatra da kognicija nalikuje digitalnoj obradi, gdje se žice proizvode u nizu prema uputama (simboličkog) programa. Konekcionisti promatraju mentalnu obradu kao dinamičnu i ocjenu ekonomičnosti aktivnosti u neuronskoj mreži, aktiviranje svake jedinice ovisno o jačini veze i aktivnosti svojih susjeda,prema funkciji aktivacije.

Izgleda da su ti pogledi vrlo različiti. Međutim, mnogi konekcionisti ne vide svoj rad kao izazov klasicizmu, a neki otvoreno podržavaju klasičnu sliku. Takozvani implementacijski konekcionisti traže smještaj između dviju paradigmi. Drže da moždana mreža provodi simbolički procesor. Istina, um je neuronska mreža; ali je i simbolički procesor na višem i apstraktnijem nivou opisa. Prema tome, uloga konekcionističkog istraživanja prema implementacionističkom istraživanju jest otkrivanje načina na koji se strojevi potrebni za simboličku obradu mogu oblikovati iz materijala neuronske mreže, tako da se klasična obrada može svesti na račun neuronske mreže.

Međutim, mnogi se konektivisti opiru implementacijskom gledištu. Takvi radikalni konekcionisti tvrde da je simbolička obrada bila loša pretpostavka o tome kako funkcionira um. Žali se da klasična teorija loše radi s objašnjenjem graciozne degradacije funkcija, holističkog predstavljanja podataka, spontane generalizacije, uvažavanja konteksta i mnogih drugih značajki ljudske inteligencije, zarobljenih u njihovim modelima. Neuspjeh klasičnog programiranja da uskladi fleksibilnost i efikasnost ljudske spoznaje simptom je njihove potrebe za novom paradigmom u kognitivnoj znanosti. Tako bi radikalni konekcionisti zauvijek eliminirali simboličku obradu iz kognitivne znanosti.

6. Konekcionističko predstavljanje

Konekcionistički modeli pružaju novu paradigmu za razumijevanje kako informacije mogu biti predstavljene u mozgu. Zavodljiva, ali naivna ideja je da bi pojedinačni neuroni (ili sićušni neuronski snopovi) mogli biti posvećeni predstavljanju svake stvari koju mozak treba zabilježiti. Na primjer, možemo zamisliti da postoji bakin neuron koji se aktivira kada razmišljamo o našoj baki. Međutim, takva lokalna zastupljenost nije vjerojatna. Postoje dobri dokazi da naša baka misli da uključuje složene obrasce aktivnosti raspoređene po relativno velikim dijelovima korteksa.

Zanimljivo je primijetiti da su raspodijeljeni, a ne lokalni prikazi na skrivenim jedinicama prirodni proizvodi metoda konekcionističkih treninga. Obrazaci aktivacije koji se pojavljuju na skrivenim jedinicama dok NETtalk obrađuje tekst služe kao primjer. Analiza otkriva da je mreža naučila predstavljati takve kategorije kao suglasnici i samoglasnici, ne stvarajući jednu jedinicu koja je aktivna za suglasnike, a drugu za samoglasnike, već razvijajući dva različita karakteristična obrasca aktivnosti u svim skrivenim jedinicama.

S obzirom na očekivanja koja proizlaze iz našeg iskustva s lokalnom zastupljenošću na tiskanoj stranici, distribuirana reprezentacija izgleda i nova i teško razumljiva. Ali tehnika pokazuje važne prednosti. Na primjer, raspodijeljeni prikazi (za razliku od simbola pohranjenih u odvojenim fiksnim memorijskim mjestima) ostaju relativno dobro očuvani kada su dijelovi modela uništeni ili preopterećeni. Što je još važnije, budući da su reprezentacije kodirane u obrascima umjesto pucanja pojedinih jedinica, odnosi između reprezentacija kodirani su u sličnostima i razlikama između tih obrazaca. Dakle, unutarnja svojstva reprezentacije nose informacije o čemu se radi (Clark 1993, 19). Suprotno tome, lokalna zastupljenost je konvencionalna. Nema svojstvenih svojstava reprezentacije (jedinice s ispaljivanje) odrediti njegove odnose prema ostalim simbolima. Ova značajka samo-izvještavanja o raspodijeljenim reprezentacijama obećava rješavanje filozofske zagonetke o značenju. U simboličkoj reprezentacijskoj shemi svi su prikazi sastavljeni od simboličkih atoma (poput riječi u jeziku). Značenja složenih nizova simbola mogu se definirati načinom na kojem su izgrađeni od svojih sastojaka, ali što fiksira značenja atoma?ali što popravlja značenja atoma?ali što popravlja značenja atoma?

Konekcionističke reprezentacijske sheme omogućavaju krajnje trčanje oko slagalice jednostavnim raspoređivanjem atoma. Svaka distribuirana reprezentacija je obrazac aktivnosti u svim jedinicama, tako da ne postoji principijelan način razlikovanja jednostavnih i složenih prikaza. Da bismo bili sigurni, reprezentacije su sastavljene iz aktivnosti pojedinih jedinica. Ali nijedan od tih 'atoma' ne označava nijedan simbol. Prikazi su sub-simbolični u smislu da analiza njihovih sastavnih dijelova zaostaje za simboličkom razinom.

Sub-simbolička priroda distribuirane reprezentacije pruža nov način koncepcije obrade informacija u mozgu. Ako modeliramo aktivnost svakog neurona s brojem, tada se aktivnost čitavog mozga može dati džinovskim vektorom (ili popisom) brojeva, po jedan za svaki neuron. I ulazak mozga iz osjetilnih sustava i njegov izlaz prema pojedinim mišićnim neuronima također se mogu tretirati kao vektori iste vrste. Dakle, mozak predstavlja vektorski procesor, a problem psihologije pretvara se u pitanja koja operacija na vektorima ima različite aspekte ljudske spoznaje.

Sub-simboličko predstavljanje ima zanimljive implikacije na klasičnu hipotezu da mozak mora sadržavati simboličke reprezentacije slične rečenicama nekog jezika. Ova ideja, koja se često naziva tezom jezika misljenja (ili LOT), može biti dovedena u pitanje zbog prirode konekcionističkih reprezentacija. Nije lako točno reći o čemu se radi u LOT tezi, ali van Gelder (1990.) nudi utjecajno i široko prihvaćeno mjerilo za određivanje kada mozak treba reći da sadrži fraze slične rečenici. To je da kad se reprezentacija zgusne, na taj način se označavaju sastavni dijelovi te reprezentacije. Na primjer, ako pišem "Ivan voli Mariju", napisao sam sastojke rečenice: "Ivan", "voli" i "Marija". Može se konstruirati distribuirana reprezentacija za složene izraze poput "Ivan voli Mariju" koji ne sadrže eksplicitni prikaz njihovih dijelova (Smolensky 1991). Podaci o sastavnicama mogu se izvući iz reprezentacija, ali modeli neuronske mreže ne moraju izričito sami izvući ove podatke da bi ih ispravno obradili (Chalmers 1990). Ovo sugerira da modeli neuronske mreže služe kao suprotni primjeri ideje da je jezik misli preduvjet ljudske spoznaje. Međutim, stvar je i dalje tema živahne rasprave (Fodor 1997).ali modeli neuronske mreže ne trebaju sami izričito izdvojiti te podatke kako bi ih ispravno obradili (Chalmers 1990). Ovo sugerira da modeli neuronske mreže služe kao suprotni primjeri ideje da je jezik misli preduvjet ljudske spoznaje. Međutim, stvar je i dalje tema živahne rasprave (Fodor 1997).ali modeli neuronske mreže ne trebaju sami izričito izdvojiti te podatke kako bi ih ispravno obradili (Chalmers 1990). Ovo sugerira da modeli neuronske mreže služe kao suprotni primjeri ideje da je jezik misli preduvjet ljudske spoznaje. Međutim, stvar je i dalje tema živahne rasprave (Fodor 1997).

Novost distribuiranog i prekomponiranog pohranjivanja konektivnih informacija prirodno uzrokuje postavljanje pitanja o održivosti klasičnih predodžbi simboličkog računanja u opisivanju mozga. Ramsey (1997) tvrdi da, iako možemo pripisati simboličke prikaze neuronskim mrežama, te atribucije ne ulaze u legitimna objašnjenja ponašanja modela. Ova je tvrdnja važna jer klasični prikaz kognitivne obrade (i narodne intuicije) pretpostavljaju da reprezentacije igraju objašnjavajuću ulogu u razumijevanju uma. Uvriježeno je mišljenje da kognitivna znanost zahtijeva, po svojoj prirodi, objašnjenja koja privlače reprezentacije (Von Eckardt, 2003). Ako je Ramsey u pravu, točka se može smanjiti na dva različita načina. Neki će ga možda upotrijebiti za novo i ne-klasično razumijevanje uma,dok bi drugi koristili to da tvrde da je konekcionizam neadekvatan jer ne može objasniti što mora. Međutim, Haybron (2000) tvrdi protiv Ramseyja da u radikalnim konekcionističkim arhitekturama postoji dovoljno prostora za reprezentacije s objasnjavajućom ulogom. Roth (2005) navodi zanimljivu točku da, nasuprot prvim dojmovima, može imati smisla objasniti i ponašanje mreže referencama na računalni program, čak i ako ne postoji način da se kroz vrijeme razlikuje niz koraka računanja. Također može imati smisla objasniti mrežno ponašanje pozivom na računalni program, čak i ako ne postoji način da se kroz vrijeme razlikuje niz koraka izračuna. Također može imati smisla objasniti mrežno ponašanje pozivom na računalni program, čak i ako ne postoji način da se kroz vrijeme razlikuje niz koraka izračuna.

Rasprava o prisutnosti klasičnih reprezentacija i jezika razmišljanja zamućena je nedostatkom jasnoće u definiranju onoga što bi trebalo smatrati reprezentacijskim „vozilima“u distribuiranim neuronskim modelima. Shea (2007) ističe da bi se individuacija distribuiranih reprezentacija trebala definirati načinom aktiviranja obrazaca na skrivenim jedinicama. To su odnosi između područja klastera u prostoru mogućih obrazaca aktivacije koji nose reprezentativni sadržaj, a ne same aktivacije, niti skup jedinica odgovornih za aktivaciju. Kada se radi o razumijevanju, poboljšavaju se izgledi za pronalaženje reprezentativnog sadržaja u neuronskim mrežama koje se mogu usporediti u mrežama različitih arhitektura, što je uzročno uključeno u obradu,i koji prevladava neke primjedbe na holističke značenja.

U nizu radova Horgan i Tienson (1989, 1990) zastupali su gledište nazvano reprezentacije bez pravila. Prema ovom stajalištu klasicisti su s pravom smatrali da ljudski mozak (i dobri konekcionistički modeli njih) sadrže objašnjeno robusne reprezentacije; ali pogrešno misle kako ti prikazi ulaze u čvrsta i brza pravila poput koraka računalnog programa. Ideja da konekcionistički sustavi mogu slijediti stupnjevane ili približne pravilnosti ("meki zakoni" kako ih Horgan i Tienson nazivaju) je intuitivna i privlačna. Međutim, Aizawa (1994.) tvrdi da je, s obzirom na proizvoljnu neuronsku mrežu s opisom razine reprezentacije, uvijek moguće to opremiti strogim i brzim pravilima na razini reprezentacije. Guarini (2001) odgovara da ako obratimo pažnju na slijedeće principe korisne za kognitivno modeliranje,Izgleda da će Aizawine konstrukcije biti pored točke.

7. Rasprava o sustavnosti

Glavne točke polemike u filozofskoj literaturi o povezanosti imaju veze s tim da li konekcionisti pružaju održivu i novu paradigmu za razumijevanje uma. Jedna od primjedbi je da su konekcionistički modeli dobri samo za obradu udruženja. Ali takvi se zadaci, kao što su jezik i rasuđivanje, ne mogu izvršiti samim asocijativnim metodama, pa konektivisti vjerojatno neće odgovarati performansama klasičnih modela pri objašnjavanju ovih kognitivnih sposobnosti više razine. Međutim, lako je dokazati da neuronske mreže mogu učiniti sve što simbolički procesori mogu učiniti, jer se mogu izgraditi mreže koje oponašaju sklopove računala. Dakle, prigovor ne može biti da konekcionistički modeli ne uzimaju u obzir veću spoznaju; radije je da mogu to učiniti samo ako provode klasicističku 's simboličkim alatima za obradu. Provedbeni kohezionizam može uspjeti, ali radikalni konekcionisti nikada neće moći objasniti um.

Često citirani rad Fodora i Pylyshyna (1988.) pokreće raspravu takve vrste. Oni identificiraju značajku ljudske inteligencije koja se naziva sustavnost i za koju smatraju da povezanovi ne mogu objasniti. Sistematičnost jezika odnosi se na činjenicu da je sposobnost proizvođenja / razumijevanja / razmišljanja nekih rečenica intrinzično povezana sa sposobnošću stvaranja / razumijevanja / razmišljanja drugih srodne strukture. Na primjer, nitko s engleskim jezikom koji razumije "Ivan voli Mariju" ne može razumjeti "Mary voli Ivana". S klasičnog gledišta, povezanost ove dvije sposobnosti lako se može objasniti pretpostavkom da majstori engleskog jezika predstavljaju sastavnice („John“, „voli“i „Mary“) „John loves Mary“i izračunaju njihovo značenje iz značenja ovih sastavnica. Ako je to tako,tada se razumijevanje nove rečenice poput „Marija voli Ivana“može tumačiti kao još jedan primjerak istog simboličkog postupka. Na sličan način simbolička obrada obrađivala bi sustavnost rasuđivanja, učenja i razmišljanja. Objasnilo bi zašto nema ljudi koji su sposobni zaključiti P iz P & (Q&R), ali nesposobnih da zaključe P iz P & Q-a, zašto nema ljudi sposobnih da nauče da preferiraju crvenu kocku pred zelenim kvadratom koji ne može naučiti da preferira zelenu kocku pred crvenim kvadratom, i zašto nema nikoga tko može pomisliti da Ivan voli Mariju, koji također ne može pomisliti da Marija voli Ivana. Objasnilo bi zašto nema ljudi koji su sposobni zaključiti P iz P & (Q&R), ali nesposobnih da zaključe P iz P & Q-a, zašto nema ljudi sposobnih da nauče da preferiraju crvenu kocku pred zelenim kvadratom koji ne može naučiti da preferira zelenu kocku pred crvenim kvadratom, i zašto nema nikoga tko može pomisliti da Ivan voli Mariju, koji također ne može pomisliti da Marija voli Ivana. Objasnilo bi zašto nema ljudi koji su sposobni zaključiti P iz P & (Q&R), ali nesposobnih da zaključe P iz P & Q-a, zašto nema ljudi sposobnih da nauče da preferiraju crvenu kocku pred zelenim kvadratom koji ne može naučiti da preferira zelenu kocku pred crvenim kvadratom, i zašto nema nikoga tko može pomisliti da Ivan voli Mariju, koji također ne može pomisliti da Marija voli Ivana.

Fodor i McLaughlin (1990) detaljno tvrde da konekcionisti ne vode računa o sustavnosti. Iako se konekcionistički modeli mogu obučiti da budu sustavni, oni se mogu obučiti, na primjer, da prepoznaju "Ivan voli Mariju", a da ne prepoznaju "Marija voli Ivana". Budući da konekcionizam ne jamči sustavnost, on ne objašnjava zašto se sustavnost toliko proširi u ljudskoj spoznaji. Sistematičnost može postojati u veznim arhitekturama, ali tamo gdje ona postoji nije samo slučajnost. Klasično je rješenje mnogo bolje, jer u klasičnim modelima prožimajuća sistematičnost dolazi besplatno.

Optužba da su konektivističke mreže u nepovoljnom položaju u objašnjavanju sustavnosti izazvala je veliko zanimanje. Chalmers (1993.) ističe da argument Fodora i Pylyshyna dokazuje previše, jer podrazumijeva da sve neuronske mreže, čak i one koje implementiraju klasičnu arhitekturu, ne pokazuju sustavnost. S obzirom na nesporni zaključak da je mozak neuronska mreža, slijedilo bi da je sustavnost u ljudskoj misli nemoguća. Druga često spominjana točka pobijanja (Aizawa 1997; Matthews 1997; Hadley 1997b) je da klasične arhitekture ne mogu bolje objasniti sustavnost. Postoje i klasični modeli koji se mogu programirati na prepoznavanje „Ivan voli Mariju“, a da ne prepoznaju „Marija voli Ivana.„Poanta je u tome što niti sama upotreba konektivističke arhitekture niti upotreba klasične arhitekture ne nameću dovoljno snažno ograničenje za objašnjenje prožimajuće sustavnosti. U obje se arhitekture moraju stvoriti daljnje pretpostavke o prirodi obrade kako bi se osiguralo da se „Marija voli Ivana“također obrađuje.

Rasprava o ovoj točki trebala bi spomenuti zahtjev Fodora i McLaughlina da se sistematičnost objasni kao stvar nužne potrebe, odnosno kao prirodnog zakona. Prigovor protiv konekcionista jest da, iako mogu primijeniti sustave koji pokazuju sustavnost, oni to neće objasniti ako iz njihovih modela to ne proizlazi iz nužde. Međutim, potražnja za nomijskom potrebom vrlo je velika, a ona klasična arhitektura očigledno ne može udovoljiti. Stoga bi jedina taktika za osiguravanje prigovarajućih prigovora konekcionistima bila slabljenje zahtjeva za objašnjenjem sustavnosti onome što klasične arhitekture mogu i konektivisti ne mogu ispuniti. Ovakav uvjerljivi slučaj još nije napravljen.

Kako se razvijala rasprava o sustavnosti, pažnja je bila usmjerena na definiranje mjerila koja će odgovoriti na izazov Fodora i Pylyshyna. Hadley (1994a, 1994b) razlikuje tri marke sustavnosti. Konekcionisti su jasno pokazali najslabije od njih pokazujući da neuronske mreže mogu naučiti pravilno prepoznati nove nizove riječi (npr., „Marija voli Ivana“) koje nisu bile u setu za trening. Međutim, Hadley tvrdi da uvjerljivo pobijanje mora pokazati jaku sistematičnost ili, još bolje, snažnu semantičku sistematičnost. Snažna sistematičnost zahtijevala bi (barem) da se "Marija voli Ivana" prepozna i ako se "Marija" nikada ne pojavi u predmetnom položaju niti u jednoj rečenici u sklopu treninga. Snažna semantička sistematičnost također bi zahtijevala da mreža pokaže sposobnost ispravne semantičke obrade novih rečenica, a ne samo razlikovanje gramatičkih i negramatičnih oblika. Niklasson i van Gelder (1994.) postigli su uspjeh u jakoj sustavnosti, iako se Hadley žali da je to u najboljem slučaju granični slučaj. Hadley i Hayward (1997.) rješavaju snažnu semantičku sistematičnost, ali prema Hadleyevom vlastitom priznanju nije jasno da su izbjegli uporabu klasične arhitekture. Boden i Niklasson (2000) tvrde da su izgradili model koji udovoljava barem duhu snažne semantičke sistematičnosti, ali Hadley (2004) tvrdi da tamo nije dokazana čak ni snažna sistematičnost. Bez obzira da li netko smatra pozitivnim ili negativnim na ove pokušaje,sa sigurnošću se može reći da se nitko nije suočio s izazovom pružanja neuronske mreže koja bi bila sposobna za učenje složene semantičke obrade koja generalizira čitav niz uistinu novih ulaza.

Kent Johnson (2004) tvrdi da je cijela rasprava o sustavnosti pogrešno vođena. Pokušaji pažljivog definiranja sustavnosti jezika ili misli ostavljaju nam ili trivijalnosti ili neistine. Konekcionisti sigurno to objašnjavaju, ali Johnson preporučuje da je besplodno gledati njihov teret pod rubriku sustavnosti. Umjesto toga, potrebno je razviti modele neuronskih mreža sposobnih za obradu jezika s rekurzivnom sintaksom, koji odmah reagiraju na uvođenje novih stavki u leksikon. Rasprava o "sustavnosti" možda je već išla kako Johnson savjetuje, jer ono što Hadley naziva jakom semantičkom sistematičnošću čini se dobrom mjerom uspjeha u tom smjeru.

8. Konekcionizam i semantička sličnost

Jedna od atrakcija raspodijeljenih predstava u konekcionističkim modelima je da oni predlažu rješenje problema utvrđivanja značenja stanja mozga. Ideja je da sličnosti i razlike između obrazaca aktivacije duž različitih dimenzija neuronske aktivnosti bilježe semantičke informacije. Na taj način, slična svojstva neuronskih aktivacija daju svojstvena svojstva koja fiksiraju značenje. Međutim, Fodor i Lepore (1992, Ch. 6) osporavaju račune na temelju sličnosti na dvije fronte. Prvi problem je što se mozak ljudi vjerojatno znatno razlikuje u broju i povezanosti između njihovih neurona. Iako je jednostavno definirati mjere sličnosti na dvije mreže koje sadrže isti broj jedinica, teže je vidjeti kako se to može postići kada se osnovne arhitekture dviju mreža razlikuju. Drugi problem koji Fodor i Lepore navode jest da čak i ako se mjere sličnosti značenja mogu uspješno izraditi, one su neadekvatne zadatku ispunjavanja desiderata koje teorija smisla mora zadovoljiti.

Churchland (1998.) pokazuje da se prva od ove dvije primjedbe može ispuniti. Citirajući rad Laakso-a i Cottrell-a (2000), on objašnjava kako se mjere sličnosti između aktivacijskih obrazaca u mrežama s radikalno različitim strukturama mogu definirati. I ne samo to, Laakso i Cottrell pokazuju da mreže različitih struktura obučenih za isti zadatak razvijaju obrasce aktivacije koji su vrlo slični mjerama koje preporučuju. To daje nadu da će se krivotvoriti empirijski dobro definirane mjere sličnosti pojmova i misli kod različitih pojedinaca.

S druge strane, razvoj tradicionalne teorije značenja na temelju sličnosti suočava se s velikim preprekama (Fodor i Lepore 1999), za takvu teoriju trebalo bi odrediti uvjete istine u rečenicama na temelju analize značenja njihovih dijelova, i nije jasno da je sličnost samo do takvih zadataka kao što je fiksiranje denotacije na način kako to zahtijeva standardna teorija. Međutim, većina konektivista koji promiču značenje utemeljeno na sličnosti, odbacuje mnoge pretpostavke standardnih teorija. Nadaju se da će uspjeti stvoriti alternativu koja ili odbacuje ili modificira te pretpostavke, a istodobno su vjerni podacima o ljudskim jezičkim sposobnostima.

Calvo Garzon (2003) žali se da postoje razlozi da misli da konekcionisti moraju propasti. Churchlandov odgovor nema odgovor na izazov za informacije s kolateralima. Problem je u tome što je izmjerena sličnost između aktivacijskih obrazaca za koncept (recimo: baka) u dva ljudska mozga zajamčeno vrlo niska jer dvije osobe (kolateralna) informacija o bakama (ime, izgled, dob, lik) idu biti vrlo različit. Ako su pojmovi definirani prema svemu što znamo, tada će mjere za aktivacijske obrasce naših koncepata biti daleko. Ovo je zaista dubok problem u bilo kojoj teoriji koja se nada definiranju značenja funkcionalnim odnosima između stanja mozga. Filozofi mnogih pruga moraju se boriti s tim problemom. S obzirom na nedostatak uspješno razrađene teorije koncepata bilo u tradicionalnoj bilo u konekcionističkoj paradigmi, jedino je fer ostaviti pitanje za buduća istraživanja.

9. Konekcionizam i uklanjanje narodne psihologije

Druga važna primjena konekcionističkih istraživanja u filozofskoj raspravi o umu tiče se statusa narodne psihologije. Folk psihologija je konceptualna struktura koju spontano primjenjujemo u razumijevanju i predviđanju ljudskog ponašanja. Primjerice, saznanje da John želi pivo i da vjeruje da ga ima u hladnjaku omogućava nam objasniti zašto je John upravo ušao u kuhinju. Takva saznanja presudno ovise o našoj sposobnosti da pojmimo druge kao želje i ciljeve, planove za njihovo zadovoljenje i vjerovanja koja će voditi te planove. Ideja da ljudi imaju vjerovanja, planove i želje uobičajena je svakodnevica; ali pruža li točan opis onoga što se zapravo može naći u mozgu?

Njeni branitelji će tvrditi da je narodna psihologija previše dobra da bi bila lažna (Fodor 1988, 1. poglavlje). Što više možemo tražiti istinitost teorije, nego da ona pruža neizostavan okvir za uspješne pregovore s drugima? S druge strane, eliminativisti će odgovoriti da korisna i raširena upotreba konceptualne sheme ne argumentira njenu istinu (Churchland 1989, Ch. 1). Drevni astronomi smatrali su da je pojam nebeskih sfera koristan (čak i presudan) za vođenje njihove discipline, ali sada znamo da nebeske sfere nema. S gledišta eliminativista, privrženost narodnoj psihologiji, poput odanosti narodnoj (aristotelovskoj) fizici, stoji na putu znanstvenog napretka. Održiva psihologija može zahtijevati radikalnu revoluciju u svojim konceptualnim osnovama kao što je to slučaj u kvantnoj mehanici.

Eliminativiste zanima konecionizam jer on obećava da će pružiti konceptualni temelj koji bi mogao zamijeniti narodnu psihologiju. Na primjer, Ramsey i sur. (1991.) su tvrdili da određene mreže usmjerene naprijed pokazuju da se jednostavni kognitivni zadaci mogu izvoditi bez korištenja značajki koje bi mogle odgovarati vjerovanjima, željama i planovima. Pretpostavljajući da su takve mreže vjerne načinu na koji mozak funkcionira, pojmovi narodne psihologije nisu ništa bolji od nebeskih sfera. Da li konekcionistički modeli na ovaj način narušavaju narodnu psihologiju još uvijek je kontroverzno. Postoje dvije glavne crte odgovora na tvrdnju da konekcionistički modeli podržavaju zaključke eliminativista. Jedan prigovor je da su modeli koje koriste Ramsey i sur. mreže su naprijed, koje su preslabe da bi objasnile neke najosnovnije značajke spoznaje, kao što su kratkoročno pamćenje. Ramsey i sur. nisu pokazali da vjerovanja i želje ne moraju biti u klasi mreža koja je primjerena ljudskoj spoznaji. Drugi redak pobijanja osporava tvrdnju da obilježja koja odgovaraju uvjerenjima i željama nužno nedostaju čak i u spornim mrežama za usmjeravanje (Von Eckardt 2005).

Pitanje je dodatno komplicirano neskladima o prirodi narodne psihologije. Mnogi filozofi tretiraju vjerovanja i želje koje je u narodnoj psihologiji pretpostavio kao stanja mozga sa simboličkim sadržajem. Na primjer, smatra se da je vjerovanje da u hladnjaku postoji pivo stanje mozga koje sadrži simbole koji odgovaraju pivu i hladnjaku. S tog je gledišta sudbina narodne psihologije snažno vezana za hipotezu simboličke obrade. Dakle, ako konekcionisti mogu utvrditi da je obrada mozga u osnovi ne-simbolička, uslijedit će eliminativistički zaključci. S druge strane, neki filozofi ne misle da je narodna psihologija u osnovi simbolička, a neki bi čak osporili ideju da se narodna psihologija u prvom redu tretira kao teorija. Prema ovoj koncepciji,mnogo je teže utvrditi veze između rezultata u povezivanju i odbijanja narodne psihologije.

Bibliografija

  • Aizawa, K., 1994, "Prikazi bez pravila, konekcionizam i sintaktički argument", Synthese, 101: 465–492.
  • Aizawa, K., 1997, „Objašnjavanje sustavnosti,“Um i jezik, 12: 115–136.
  • Aizawa, K., 1997, „Izlaganje nasuprot objašnjavanju sistematičnosti: odgovor Hadleyju i Haywardu“, Minds and Machines, 7: 39–55.
  • Bechtel, W., 1987, „Konekcionizam i filozofija uma: pregled“, Južni časopis za filozofiju, 26 (dodatak): 17–41.
  • Bechtel, W., 1988., “Konecionizam, pravila i reprezentacijski sustavi: Kompatibilni su?”, Filozofska psihologija, 1: 5–15.
  • Bechtel, W. i Abrahamsen, A., 1990., Connectionism and the Mind: Uvod u paralelnu obradu u mrežama, Cambridge, Mass.: Blackwell.
  • Boden, M. i Niklasson, L., 2000, „Semantička sistematičnost i kontekst u konekcionističkim mrežama“, Znanost o povezivanju, 12: 111–142.
  • Butler, K., 1991, „Prema konekcionističkoj kognitivnoj arhitekturi“, um i jezik, 6: 252–272.
  • Calvo Garzon, F., 2003, „Semantici konekcionista i informacijski izazov s kolateralima“, Um i jezik, 18: 77–94.
  • Chalmers, D., 1990, „Sintaktičke transformacije o distribuiranim predstavkama“, Connection Science, 2: 53–62.
  • Chalmers, D., 1993, „Zašto su Fodor i Pylyshyn bili u krivu: najjednostavnije odbacivanje“, Filozofska psihologija, 6 (3): 305–319.
  • Christiansen, M., i Chater, N., 1994, „Generalizacija i konekcionističko učenje jezika“, Um i jezik, 9: 273–287.
  • Churchland, PM, 1995, Motor razuma, sjedište duše: filozofsko putovanje u mozak, Cambridge, Massachusetts: MIT Press.
  • Churchland, PM, 1998, „Konceptualna sličnost u osjetilnoj i živčanoj raznolikosti: Odgovor na izazov Fodor / Lepore“, časopis Philosophy, 95: 5–32.
  • Churchland, PM, 1989., Neurocomputational Perspective: Priroda uma i struktura znanosti, 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”, u McDonald (1995), 339–356.
  • Clark, A. i Lutz, R. (ur.), 1992, Connectionism in Context, Springer.
  • Cotrell G. i Small, S., 1983., „Konekcionistička shema za modeliranje raščlanjivanja riječi riječi“, Kognicija i teorija mozga, 6: 89–120.
  • Cummins, R., 1991, „Uloga reprezentacije u konekcionističkim objašnjenjima kognitivnih kapaciteta“, u Ramsey, Stich i Rumelhart (1991), 91–114.
  • Cummins, R., 1996, "Sistematičnost", časopis za filozofiju, 93 (22): 561–614.
  • Cummins, R., and Schwarz, G., 1991, "Connectionism, Computation and Cognition", u T. Horgan i J. Tienson (1991), 60–73.
  • Davies, M., 1989., "Konekcionizam, modularnost i prešutno znanje", Britanski časopis za filozofiju znanosti, 40: 541–555.
  • Davies, M., 1991, "Pojmovi, konekcionizam i jezik misli", u Ramsey i sur. (1991.), 229–257.
  • Dinsmore, J. (ur.), 1992, Simboličke i konekcionističke paradigme: Closing the Gap, Hillsdale, NJ: Erlbaum.
  • Elman, JL, 1991, "Distribuirane reprezentacije, jednostavne ponavljajuće mreže i gramatička struktura", u Touretzky (1991), 91–122.
  • Fodor, J., 1988., Psihozemantika, Cambridge, Masaža: MIT Press.
  • Fodor, J., 1997, „Konekcionizam i problem sustavnosti: Zašto Smolensky rješenje još uvijek ne djeluje“, spoznaja, 62: 109–119.
  • Fodor, J. i Lepore, E., 1992, Holism: Shopper's Guide, Cambridge: Blackwell.
  • Fodor, J. i Lepore, E., 1999, "Sve na moru u semantičkom prostoru: Churchland o značenju sličnosti", časopis Philosophy, 96: 381–403.
  • Fodor, J., i McLaughlin, B., 1990., „Konekcionizam i problem sustavnosti: Zašto Smolensky rješenje ne djeluje“, spoznaja, 35: 183–204.
  • Fodor, J. i Pylyshyn, Z., 1988., "Konekcionizam i kognitivna arhitektura: kritička analiza", spoznaja, 28: 3–71.
  • Garfield, J., 1997, „Mentalese Not Here: Computation Cognition and Causation“, Filozofska psihologija, 10: 413–435.
  • Garson, J., 1991, "Ono što konekcionisti ne mogu: prijetnja klasičnom AI", u T. Horgan i J. Tienson (1991), 113–142.
  • Garson, J., 1994, "Kognicija bez klasične arhitekture", Synthese, 100: 291–305.
  • Garson, J., 1997, „Sintaksa u dinamičkom mozgu“, Synthese, 110: 343–355.
  • Guarini, M., 2001, "Obrana od konekcionizma protiv sintaktičkog argumenta", Synthese, 128: 287–317.
  • Hadley, R., 1994a, „Sustavnost u konekcionističkom učenju jezika“, Um i jezik, 9: 247–271.
  • Hadley, R., 1994b, „Sustavnost revidirana,“Um i jezik, 9: 431–444.
  • Hadley, R., 1997a, „Objašnjavanje sustavnosti: odgovor Kennethu Aizawa,“Minds and Machines, 7: 571–579.
  • Hadley, R., 1997b, „Kognicija, sistematičnost i nomska nužnost“, um i jezik, 12: 137–153.
  • Hadley, R., 2004, „O pravilnom tretmanu semantičke sistematičnosti“, Minds and Machines, 14: 145–172.
  • Hadley, R. i Hayward, M., 1997, „Snažna semantička sistematičnost iz hebbijskog konekcionističkog učenja“, Minds and Machines, 7: 1–37.
  • Hanson, J. i Kegl, J., 1987., „PARSNIP: Mreža konekcionista koja uči gramatiku prirodnog jezika od izloženosti prirodnim jezičnim rečenicama“, Deveta godišnja konferencija Društva kognitivnih znanosti, Hillsdale, NJ: Erlbaum, str. 106 -119.
  • Hatfield, G., 1991, "Zastupljenost u percepciji i spoznaji: konekcionističke prilike", u Ramsey i sur. (1991.), 163–195.
  • Hatfield, G., 1991, „Zastupljenost i postojanje pravila u konekcionističkim sustavima“, u T. Horgan i J. Tienson (1991), 90–112.
  • Hawthorne, J., 1989, „O kompatibilnosti konekcionističkih i klasičnih modela“, Filozofska psihologija, 2: 5–15.
  • Haybron, D., 2000, "Uzročno-objasnjavajuća uloga informacija pohranjenih u konekcionističkim mrežama", Minds and Machines, 10: 361-380.
  • Hinton, G., 1992, „Kako se neuronske mreže uče iz iskustva“, Scientific American, 267 (3): 145–151.
  • Hinton, G. (ur.), 1991, konekcionistička obrada simbola, Cambridge, Massachusetts: MIT Press.
  • Hinton, G., 1991a, „Mapiranje hijerarhija cjelovitih dijelova u konekcionističke mreže“, u Hintonu (1991), 47–76.
  • Hinton, G., McClelland, J., i Rumelhart, D., 1986., "Distribuirana predstavništva", Poglavlje 3 Rumelharta, McClelland i sur. (1986).
  • Horgan, T., i Tienson, J., 1989., "Prikazi bez pravila", Filozofske teme, 17: 147–174.
  • Horgan, T., i Tienson, J., 1990., "Meki zakoni", Srednjezapadne studije filozofije, 15: 256–279.
  • Horgan, T., i Tienson, J. (ur.), 1991, Connectionism and the Philosophy of Mind, Dordrecht: Kluwer.
  • Horgan, T., i Tienson, J., 1996, Connectioncionizam i filozofija psihologije, Cambridge, Mass.: MIT Press.
  • Johnson, K., 2004, "O sustavnosti jezika i mišljenja", časopis Philosophy, 101: 111-139.
  • Laakso, A. i Cotrell, G., 2000, „Analiza sadržaja i klastera: Procjena reprezentativne sličnosti u neuronskim sustavima“, Filozofska psihologija, 13: 47–76.
  • Macdonald, C. (ur.), 1995, konekcionizam: rasprave o psihološkom objašnjenju, Oxford: Blackwell.
  • Matthews, R., 1997, "Mogu li konekcionisti objasniti sustavnost?" Um i jezik, 12: 154–177.
  • Marcus, G., 1998, „Preispitivanje eliminacijskog konekcionizma“, Kognitivna psihologija, 37: 243–282.
  • Marcus, G., 2001, Algebraic Mind, Cambridge, Mass.: MIT Press.
  • McClelland, J. i Elman, J., 1986, „TRACE model percepcije govora“, Kognitivna psihologija, 18: 1–86.
  • McClelland, J., Rumelhart, D. i sur., 1986, Paralelno raspodijeljena obrada, svezak II, Cambridge, Mass.: MIT Press.
  • McLaughlin, B., 1993, "Bitka za konekcionizam / klasicizam za pobjedu duša", Filozofske studije, 71: 163–190.
  • Miikkulainen, T., 1993, subsimbolička obrada prirodnog jezika: integrirani model skripte, leksikona i sjećanja, Cambridge, Mass.: MIT Press.
  • Niklasson, L., i van Gelder, T., 1994, „O sustavnom konekcionistu“, Um i jezik, 9: 288–302.
  • Phillips, S., 2002, "Objašnjava li klasicizam univerzalnost?" Um i strojevi, 12: 423–434.
  • Pinker, S. i Mehler, J. (ur.), 1988., Veze i simboli, Cambridge, Mass.: MIT Press.
  • Pinker, S., i Prince, A., 1988, „O jeziku i konekcionizmu: analiza paralelno raspodjeljenog modela obrade preuzimanja jezika“, spoznaja, 23: 73–193.
  • Pollack, J., 1989, "implikacije rekurzivno distribuiranih reprezentacija", u Touretzky (1989), 527–535.
  • Pollack, J., 1991a, „Indukcija dinamičkih prepoznavalaca“, u Touretzky (1991), 123–148.
  • Pollack, J., 1991b, „Rekurzivna distribuirana reprezentacija“, u Hintonu (1991), 77–106.
  • Port, Robert, F., 1990, "Zastupanje i prepoznavanje vremenskih uzoraka", Science Connection, 2: 151–176.
  • Port, R., i van Gelder, T., 1991, "Reprezentativni aspekti jezika", Zbornik radova Trinaeste godišnje konferencije Društva kognitivnih znanosti, Hillsdale, NJ: Erlbaum.
  • Ramsey, W., 1997., “Zarađuju li konekcionističke predstavnice svoju eksplanatornu pomoć?” Um i jezik, 12: 34–66.
  • Ramsey, W., Stich, S. i Rumelhart, D., 1991, Filozofija i konekcionistička teorija, Hillsdale, NJ: Erlbaum.
  • Ramsey, W., Stich, S., i Garon, J., 1991, „Konekcionizam, eliminatizam i budućnost narodne psihologije“, u Ramsey, Rumelhart i Stich (1991), 199–228.
  • Roth, M., 2005, "Izvođenje programa u konekcionističkim mrežama", Um i jezik, 20: 448–467.
  • Rumelhart, D. i McClelland, J., 1986, "O učenju prošlih vremena engleskih glagola", u McClelland i Rumelhart i sur. (1986), 216–271.
  • Rumelhart, D., McClelland, J. i sur., 1986, Parallel Distributed Processing, vol. Ja, Cambridge, Massachusetts: MIT Press.
  • Schwarz, G., 1992, „Konecionizam, obrada, sjećanje“, Znanost o povezivanju, 4: 207–225.
  • Sejnowski, T., i Rosenberg, C., 1987, „Paralelne mreže koje uče izgovarati engleski tekst“, Složeni sustavi, 1: 145–168.
  • Servan-Schreiber, D., Cleeremans, A. i McClelland, J., 1991., „Gradirani državni strojevi: prikazivanje vremenskih pojava u jednostavnim ponavljajućim mrežama“, u Touretzky (1991), 57–89.
  • Shastri, L. i Ajjanagadde, V., 1993, „Od jednostavnih asocijacija do sustavnog rasuđivanja: konekcionistička zastupljenost pravila, varijabli i dinamičkih veza pomoću vremenske sinkronije“Bihevioralne i moždarske znanosti, 16: 417–494.
  • Shea, N., 2007, "Sadržaj i njegova vozila u konekcionističkim sustavima", um i jezik, 22: 246–269.
  • Shultz T. i Bale, A., 2001, „Simulacija neuronske mreže upoznavanja djece s umjetnim rečenicama“, Infancy, 2: 501–536.
  • Shultz T. i Bale, A., 2006, "Neuralne mreže otkrivaju odnos bliskog identiteta da bi razlikovale jednostavne sintaktičke forme", Minds and Machines, 16: 107–139.
  • Smolensky, P., 1987, „Konstitutivna struktura konekcionističkih mentalnih stanja: odgovor na Fodora i Pylyshyna“, Južni časopis za filozofiju, 26 (dodatak): 137–161.
  • Smolensky, P., 1988, „O pravilnom tretmanu konekcionizma“, Bihevioralne i mozga nauke, 11: 1–74.
  • Smolensky, P., 1991, „Tensor-spremenljivo vezivanje proizvoda i reprezentacija simboličkih struktura u konekcionističkim sustavima“, u Hinton (1991), 159–216.
  • Smolensky, P., 1995., „Konstitutivna struktura i objašnjenje u integriranoj konekcionističkoj / simboličkoj kognitivnoj arhitekturi“, u MacDonald (1995).
  • St. John, M. i McClelland, J., 1991, "Učenje i primjena kontekstualnih ograničenja u razumijevanju rečenica", u Hintonu (1991), 217–257.
  • Tomberlin, J. (ur.), 1995, Filozofske perspektive 9: AI, konekcionizam i filozofska psihologija, Atascadero: Ridgeview Press.
  • Touretzky, D., 1989, Napredak u neuronskim sistemima za obradu informacija I, San Mateo, Kalifornija: Kaufmann.
  • Touretzky, D., 1990, Napredak u neuronskim sistemima za obradu informacija II, San Mateo, Kalifornija: Kaufmann.
  • Touretzky, D., 1991, Konekcionistički pristupi učenju jezika, Dordrecht: Kluwer.
  • Touretzky, D., Hinton, G., i Sejnowski, T., 1988, Zbornik radova Ljetne škole konektivističkih modela iz 1988., San Mateo: Kaufmann.
  • van Gelder, T., 1990, „Kompozicionizam: konekcionistička varijacija klasične teme“, Kognitivna znanost, 14: 355–384.
  • van Gelder, T., 1991, "Što je" D "u PDP-u?" u Ramsey i sur. (1991.), 33–59.
  • van Gelder, T i Port, R., 1993, „Onkraj simboličkog: Prolegomena kama-sutri kompozicionizma“, u V. Honavar i L. Uhr (ur.), Obrada simbola i konekcionistički modeli u AI i spoznaji: Koraci Prema integraciji, Boston: Akademska štampa.
  • Vilcu, M. i Hadley, R., 2005., "Dva prividna kontra-primjera" Marcusu: bliži pogled, "Minds and Machines, 15: 359–382.
  • Von Eckardt, B., 2003, "Objašnjavajuća potreba za mentalnim reprezentacijama u kognitivnim znanostima", Um i jezik, 18: 427–439.
  • Von Eckardt, B., 2005., "Konekcionizam i propozicioni stavovi", u C. Erneling i D. Johnson (ur.), Um kao znanstveni predmet: Između mozga i kulture, New York: Oxford University Press.
  • Waltz, D. i Pollack, J., 1985., „Masovno paralelno pariranje: snažno interaktivni model tumačenja prirodnog jezika“, Kognitivna znanost, 9: 51–74.

Ostali internetski resursi

  • Bibliografija o konekcionizmu, sastavio David Chalmers (Sveučilište u Arizoni).
  • Konekcionizam: kratki popis za čitanje, koji održava Ezra van Everbroeck (Sveučilište Kalifornija-San Diego).