La teoría del aprendizaje computacional (CoLT) es una rama de la informática teórica asociada con el análisis matemático del aprendizaje automático. Muchas de las primeras ideas del campo se inspiran en el aprendizaje humano. El campo se ha convertido en una ciencia muy rigurosa, matemática y precisa, pero no he visto que se use mucho en las ciencias cognitivas directamente. Hay algún uso indirecto a través de la interacción de CoLT con estadísticas y algoritmos de aprendizaje automático (por ejemplo, analizar redes neuronales a través de VC-dimension ).
¿Hay ejemplos de usos/aplicaciones rigurosos de CoLT para construir teorías en psicología, neurociencia y/o ciencia cognitiva?
Los únicos dos ejemplos con los que estoy familiarizado son:
El teorema de Gold sobre la imposibilidad de aprender en el límite de determinados conjuntos de lenguajes, entre ellos los libres de contexto.
La tesis de maestría de Ronald de Wolf sobre la imposibilidad de PAC-aprender lenguajes libres de contexto .
El primero causó revuelo en el debate sobre la pobreza del estímulo , y el segundo pasó desapercibido para la ciencia cognitiva.
Estoy interesado en enfoques de este sabor. Me siento relativamente cómodo con CoLT, ya que se estudia en matemáticas, y solo estoy interesado (para esta pregunta) en enfoques que tienen una relación directa con las teorías de la cognición/aprendizaje humano/animal, y no con los resultados clásicos del aprendizaje automático. Estoy buscando enfoques matemáticos y asintóticos generales , no la ejecución de tipos específicos de algoritmos (ya sean redes neuronales, bayesianos o de otro tipo) para simular el rendimiento humano como es típico en el modelado computacional en cogsci (con el que estoy relativamente familiarizado) .
No estoy interesado en argumentos que intenten socavar trivialmente todo el enfoque, incluso si tienen validez empírica. Por ejemplo, todo el enfoque puede descarrilarse al afirmar que los cerebros humanos son finitos y, por lo tanto, los argumentos asintóticos son inútiles. Esto es lo mismo que argumentar que toda la teoría de la complejidad computacional no tiene sentido porque las computadoras (y todo el universo, para el caso) son finitas. Es un argumento empírico válido, pero aburrido desde el punto de vista de la construcción de teorías.
Relacionado con esto hay varios trabajos sobre la integración o no integración de modelos computacionales en general a la ciencia cognitiva. Por ejemplo, la tesis de la cognición manejable básicamente dice que podemos mejorar el modelado cognitivo si limitamos los modelos cognitivos a aquellos que se pueden implementar en una máquina de Turing.
Van Rooij, I. 2008. La tesis de la cognición manejable. Ciencia cognitiva 32:939-984. http://staff.science.uva.nl/~szymanik/papers/TractableCognition.pdf
Personalmente, no estoy de acuerdo con la tesis de la cognición manejable y pienso, al igual que Copeland, que un modelo mejor sería el de una máquina de Oracle:
Copeland, J. 1998. Las máquinas O de Turing, Searle, Penrose y el cerebro. Análisis 58(2):128-138.
Mi propio trabajo avanza en este sentido y propone cómo las O-máquinas pueden integrarse específicamente en la psicología cognitiva. Hago una presentación sobre esto aquí y las actas se publicarán el próximo año, pero envíeme un mensaje y puedo proporcionarle una copia preliminar si lo desea.
Recientemente, los modelos bayesianos de desarrollo cognitivo han tenido mucho éxito al menos en la formulación de hipótesis de trabajo sobre cómo el conocimiento abstracto "regula" y guía el aprendizaje y el razonamiento a partir de datos escasos. Estaba pensando, por ejemplo, en el siguiente artículo:
Artem Kaznatchev