Teoria hebbiana

Valutazione | Biopsicologia | Comparativa |Cognitiva | Sviluppo | Linguaggio | Differenze individuali |Personalità | Filosofia | Sociale |
Metodi | Statistica |Clinica | Educativa | Industriale |Voci professionali | Psicologia mondiale |

Psicologia cognitiva:Attenzione – Processo decisionale – Apprendimento – Giudizio -Memoria – Motivazione – Percezione – Ragionamento – Pensiero – Processi cognitiviCognizione -OutlineIndex

La teoria hebbiana descrive un meccanismo di base per la plasticità sinaptica in cui un aumento dell’efficacia sinaptica deriva dalla stimolazione ripetuta e persistente della cellula presinaptica sulla cellula postsinaptica. Introdotta da Donald Hebb nel 1949, è chiamata anche regola di Hebb, postulato di Hebb e teoria dell’assemblaggio cellulare, e afferma:

Supponiamo che la persistenza o la ripetizione di un’attività riverberatoria (o “traccia”) tenda a indurre cambiamenti cellulari durevoli che si aggiungono alla sua stabilità…. Quando un assone della cellula A è abbastanza vicino da eccitare una cellula B e partecipa ripetutamente o persistentemente al suo sparo, qualche processo di crescita o cambiamento metabolico ha luogo in una o entrambe le cellule in modo tale che l’efficienza di A, come una delle cellule che spara B, è aumentata.

La teoria è spesso riassunta come “le cellule che sparano insieme, cablano insieme”, anche se questa è una semplificazione eccessiva del sistema nervoso da non prendere alla lettera, oltre a non rappresentare accuratamente la dichiarazione originale di Hebb sui cambiamenti della forza di connettività cellulare. La teoria è comunemente evocata per spiegare alcuni tipi di apprendimento associativo in cui l’attivazione simultanea delle cellule porta a pronunciati aumenti della forza sinaptica. Tale apprendimento è noto come apprendimento hebbiano.

Engrammi hebbiano e teoria dell’assemblaggio cellulare

La teoria hebbiana riguarda il modo in cui i neuroni potrebbero collegarsi per diventare engrammi. Le teorie di Hebb sulla forma e la funzione degli assemblaggi cellulari possono essere comprese da quanto segue:

“L’idea generale è vecchia, che due cellule o sistemi di cellule che sono ripetutamente attivi allo stesso tempo tenderanno a diventare ‘associati’, in modo che l’attività in uno faciliti l’attività nell’altro.” (Hebb 1949, p. 70) “Quando una cellula assiste ripetutamente allo sparo di un’altra, l’assone della prima cellula sviluppa pomelli sinaptici (o li ingrandisce se già esistono) in contatto con il soma della seconda cellula.” (Hebb 1949, p. 63)

Gordon Allport pone ulteriori idee riguardo alla teoria dell’assemblaggio cellulare e al suo ruolo nella formazione degli engram, sulla falsariga del concetto di auto-associazione, descritto come segue:

“Se gli input di un sistema causano lo stesso modello di attività che si verifica ripetutamente, l’insieme degli elementi attivi che costituiscono quel modello diventerà sempre più fortemente interassociato. Cioè, ogni elemento tenderà ad accendere ogni altro elemento e (con pesi negativi) a spegnere gli elementi che non fanno parte del modello. Per dirla in un altro modo, il modello nel suo complesso diventerà “auto-associato”. Possiamo chiamare un modello appreso (auto-associato) un engramma”. (Hebb 1949, p. 44)

La teoria hebbiana è stata la base principale per la visione convenzionale che, quando analizzati da un livello olistico, gli engrammi sono reti neuronali o reti neurali.

Il lavoro nel laboratorio di Eric Kandel ha fornito prove del coinvolgimento dei meccanismi di apprendimento hebbiano alle sinapsi nel gasteropode marino Aplysia californica.

Gli esperimenti sui meccanismi Hebbian di modifica delle sinapsi nelle sinapsi del sistema nervoso centrale dei vertebrati sono molto più difficili da controllare rispetto agli esperimenti con le sinapsi relativamente semplici del sistema nervoso periferico studiate negli invertebrati marini. Gran parte del lavoro sui cambiamenti sinaptici di lunga durata tra i neuroni dei vertebrati (come il potenziamento a lungo termine) comporta l’uso di una stimolazione sperimentale non fisiologica delle cellule cerebrali. Tuttavia, alcuni dei meccanismi di modifica delle sinapsi fisiologicamente rilevanti che sono stati studiati nel cervello dei vertebrati sembrano essere esempi di processi Hebbian. Uno di questi studi passa in rassegna i risultati di esperimenti che indicano che cambiamenti di lunga durata nelle forze sinaptiche possono essere indotti da attività sinaptiche fisiologicamente rilevanti che lavorano attraverso meccanismi sia hebbiani che non hebbiani

Principi

Dal punto di vista dei neuroni artificiali e delle reti neurali artificiali, il principio di Hebb può essere descritto come un metodo per determinare come alterare i pesi tra neuroni modello. Il peso tra due neuroni aumenta se i due neuroni si attivano simultaneamente e si riduce se si attivano separatamente. I nodi che tendono ad essere entrambi positivi o entrambi negativi allo stesso tempo hanno forti pesi positivi, mentre quelli che tendono ad essere opposti hanno forti pesi negativi.

Questo principio originale è forse la forma più semplice di selezione del peso. Mentre questo significa che può essere relativamente facilmente codificato in un programma per computer e utilizzato per aggiornare i pesi di una rete, vieta anche il numero di applicazioni dell’apprendimento hebbiano. Oggi, il termine apprendimento hebbiano si riferisce generalmente a qualche forma di astrazione matematica del principio originale proposto da Hebb. In questo senso, l’apprendimento hebbiano comporta la regolazione dei pesi tra i nodi di apprendimento in modo che ogni peso rappresenti meglio la relazione tra i nodi. Come tale, molti metodi di apprendimento possono essere considerati in qualche modo di natura hebbiana.

Quella che segue è una descrizione formula dell’apprendimento hebbiano: (si noti che molte altre descrizioni sono possibili)

dove è il peso della connessione dal neurone al neurone e l’input per il neurone . Si noti che questo è l’apprendimento del modello (pesi aggiornati dopo ogni esempio di allenamento). In una rete Hopfield, le connessioni sono impostate a zero se (non sono ammesse connessioni riflessive). Con i neuroni binari (attivazioni 0 o 1), le connessioni sarebbero impostate su 1 se i neuroni connessi hanno la stessa attivazione per un modello.

Un’altra descrizione formula è:

,

dove è il peso della connessione dal neurone al neurone , è il numero di pattern di allenamento, e il simo input per il neurone . Questo è l’apprendimento per epoche (pesi aggiornati dopo che tutti gli esempi di allenamento sono stati presentati). Di nuovo, in una rete Hopfield, le connessioni sono messe a zero se (nessuna connessione riflessiva).

Una variante dell’apprendimento hebbiano che tiene conto di fenomeni come il blocco e molti altri fenomeni di apprendimento neurale è il modello matematico di Harry Klopf. Il modello di Klopf riproduce molti fenomeni biologici, ed è anche semplice da implementare.

Generalizzazione e stabilità

La regola di Hebb è spesso generalizzata come

,

ovvero il cambiamento del esimo peso sinaptico è uguale a un tasso di apprendimento volte il esimo ingresso volte la risposta postsinaptica . Spesso si cita il caso di un neurone lineare,

,

e la semplificazione della sezione precedente prende sia il tasso di apprendimento che i pesi di ingresso come 1. Questa versione della regola è chiaramente instabile, poiché in qualsiasi rete con un segnale dominante i pesi sinaptici aumenteranno o diminuiranno esponenzialmente. Tuttavia, si può dimostrare che per qualsiasi modello di neurone, la regola di Hebb è instabile. Pertanto, i modelli di rete di neuroni di solito impiegano altre teorie di apprendimento come la teoria BCM, la regola di Oja, o l’algoritmo di Hebbian generalizzato.

Vedi anche

• Apprendimento anti-Hebbiano
• Teoria BCM
• Rilevamento delle coincidenze in neurobiologia
• Principio di Dale
• Algoritmo Hebbiano Generalizzato
• Leabra
• Potenziamento a lungo terminePotenziamento a lungo termine
• Memoria
• Metaplasticità
• Reti neurali
• Regola di apprendimento di Oja
• Stimolazione tetanica
• Plasticità dipendente dal tempo di sparo
• Ipotesi sinaptotropica

Ulteriori letture

• Hebb, D.O. (1949), The organization of behavior, New York: Wiley
• Hebb, D.O. (1961). “Caratteristiche distintive dell’apprendimento negli animali superiori” J. F. Delafresnaye (Ed.) Brain Mechanisms and Learning, London: Oxford University Press.
• Hebb, D.O., e Penfield, W. (1940). Comportamento umano dopo un’estesa rimozione bilaterale dei lobi frontali. Archivi di Neurologia e Psichiatria 44: 421-436.
• Allport, D.A. (1985). “Memoria distribuita, sistemi modulari e disfasia” Newman, S.K. e Epstein, R. (Eds.) Current Perspectives in Dysphasia, Edinburgh: Churchill Livingstone.
• Bishop, C.M. (1995). Reti neurali per il riconoscimento dei modelli, Oxford: Oxford University Press.
• Paulsen, O., Sejnowski, T. J. (2000). Modelli naturali di attività e plasticità sinaptica a lungo termine. Current opinion in neurobiology 10 (2): 172-179.

• Panoramica
• Tutorial sull’apprendimento ebbiano (Parte 1: Filtraggio della novità, Parte 2: PCA)

Questa pagina usa contenuti di Wikipedia con licenza Creative Commons (visualizza autori).