Resumen

Investigamos las formas en que una arquitectura de aprendizaje automático conocida como Reservoir Computing aprende conceptos como similar y diferente y otras relaciones entre pares de imágenes, y generaliza estos conceptos a clases de datos previamente no vistos. Presentamos dos arquitecturas de Reservoir Computing, que se asemejan vagamente a la dinámica neuronal, y mostramos que una Computadora de Reservoir (RC) entrenada para identificar relaciones entre pares de imágenes extraídas de un subconjunto de clases de entrenamiento, generaliza las relaciones aprendidas a clases sustancialmente diferentes durante el entrenamiento. Demostramos nuestros resultados en la sencilla base de datos de dígitos escritos a mano MNIST, así como en una base de datos de mapas de profundidad de escenas visuales en videos tomados desde una cámara en movimiento. Consideramos relaciones de pares de imágenes como imágenes de la misma clase; imágenes de la misma clase con una imagen superpuesta con ruido, rotada 90 grados, desenfocada o escalada; imágenes de clases diferentes. Observamos que el reservorio actúa como un

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Arquitectura de aprendizaje automático; Computación en reservorio; Relaciones entre pares de imágenes; Generaliza conceptos; El reservorio actúa como un filtro no lineal; Generaliza combinaciones de relaciones
• Keywords:Machine learning architecture; Reservoir computing; Relationships between image pairs; Generalizes concepts; Reservoir acts as a nonlinear filter; Generalize combinations of relationships