Resumen

El aprendizaje y la inteligencia humanos funcionan de forma diferente al enfoque de reconocimiento de patrones supervisado adoptado en la mayoría de las arquitecturas de aprendizaje profundo. Los humanos parecen aprender representaciones ricas mediante la exploración y la imitación, construyen modelos causales del mundo y utilizan ambos para resolver de forma flexible nuevas tareas. Proponemos un modelo simple pero eficaz sin supervisión que desarrolla estas características. El agente aprende a representar las propiedades físicas dinámicas de su entorno mediante la exploración intrínsecamente motivada y realiza inferencia sobre esta representación para alcanzar objetivos. Para ello, se combina un conjunto de mapas autoorganizativos que representan pares estado-acción con un modelo causal para la predicción de secuencias. El sistema propuesto se evalúa en el entorno de Cartpole. Tras una fase inicial de exploración lúdica, el agente puede ejecutar simulaciones cinemáticas del futuro del entorno y utilizarlas para la planificación de acciones. Demostramos su rendimiento en un conjunto de varias tareas de imitación relacionadas, pero diferentes, que el agente resuelve con flexibilidad en un estilo de inferencia activa.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo causal, agente, enfoque de reconocimiento de patrones, tarea de imitación de disparos, conjunto de sí mismo, estilo de inferencia activa, arquitectura de aprendizaje profundo, modelo eficaz no supervisado, propiedad física dinámica, exploración lúdica
• Keywords:causal model, agent, pattern recognition approach, shot imitation task, set of self, active inference style, deep learning architecture, effective unsupervised model, dynamical physical property, playful exploration