연결주의
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
1. 개요
연결주의는 정신 현상을 단순하고 상호 연결된 단위들의 네트워크로 설명하는 인공지능 및 인지과학의 접근 방식이다. 1950년대부터 연구가 시작되어, 1980년대 홉필드 네트워크와 병렬 분산 처리 모델의 등장으로 부흥기를 맞았다. 연결주의는 뇌의 뉴런을 모방한 인공 신경망을 기반으로 하며, 학습을 통해 지식을 습득하고, 음성 인식, 이미지 처리 등 다양한 분야에 응용된다. 계산주의와 논쟁을 벌이기도 했으며, 최근에는 딥러닝 기술의 발전과 함께 심층 신경망을 활용한 연구가 활발하게 진행되고 있다.
더 읽어볼만한 페이지
- 마음 이론 - 도구주의
도구주의는 과학 이론을 진실 반영이 아닌 현상 예측 및 기술에 유용한 도구로 보는 철학적 입장으로, 과학적 실재론에 대한 반발로 등장했으며 실용성과 예측력을 중시하고 마음철학 및 실용주의와 관련이 깊다. - 마음 이론 - 열린 개인주의
열린 개인주의는 모든 의식이 하나로 연결되어 있다는 철학적 관점으로, 우파니샤드 사상과 유사하며, 철학자, 물리학자, 작가들에 의해 다양한 형태로 표현되었고, 윤리학 및 대중문화에서도 그 개념을 찾아볼 수 있다. - 계산신경과학 - 인공 신경망
- 계산신경과학 - 인공 일반 지능
인공 일반 지능(AGI)은 추론, 지식 표현, 학습 등의 능력을 갖춘 인공지능 시스템을 의미하며, 기아와 빈곤 해결 등의 이점을 제공하지만 통제력 상실과 같은 위험도 존재한다. - 인공지능철학 - 친절한 인공지능
친절한 인공지능은 사용자에게 친절하고 공감적인 방식으로 상호 작용하며 긍정적이고 효과적인 사용자 경험을 제공하는 것을 목표로 하는 인공지능 기술의 한 분야이다. - 인공지능철학 - 인공지능윤리
인공지능윤리는 AI 시스템의 윤리적 문제들을 다루는 학제 간 연구 분야로, 투명성, 공정성, 책임성, 프라이버시 보호 등의 원칙을 기반으로 알고리즘 편향, 기술 독과점, 자율주행차 책임 문제, 인공지능 무기화, 특이점 등의 과제를 다루며, 오픈소스화, 설명 가능한 인공지능, 정부 규제 등의 해결책이 논의되고, 대중문화 또한 논의와 인식 확산에 기여하고 있다.
| 연결주의 | |
|---|---|
| 연결주의 개요 | |
 | |
| 정의 | 인지 과학에서 마음을 설명하는 접근 방식 |
| 핵심 아이디어 | 마음은 상호 연결된 처리 단위들의 네트워크로 구성됨. |
| 처리 단위 | 뉴런과 유사한 처리 단위 |
| 연결 강도 | 가중치로 표현 |
| 학습 방법 | 경험을 통해 연결 강도 변화 |
| 대안적 접근 방식 | 기호주의 |
| 역사적 배경 | |
| 초기 연구 | 워렌 맥컬록과 월터 피츠의 신경망 모델 (1943년) |
| 인지 과학의 발전 | 1980년대에 중요한 패러다임으로 등장 |
| 핵심 개념 | |
| 네트워크 | 상호 연결된 처리 단위들의 집합 |
| 활성화 | 처리 단위의 활동 수준 |
| 연결 강도 (가중치) | 처리 단위 간의 연결 강도 |
| 병렬 처리 | 여러 처리 단위가 동시에 정보 처리 |
| 학습 | 경험을 통해 연결 강도 조정 |
| 패턴 인식 | 활성화 패턴을 통해 정보 표현 및 인식 |
| 연결주의 모델 | |
| 다층 퍼셉트론 | 여러 층의 처리 단위로 구성된 네트워크 |
| 순환 신경망 | 이전 시간 단계의 정보가 다음 단계에 영향 |
| 자기 조직화 지도 | 입력 데이터의 특징을 시각화하는 데 사용 |
| 심층 신경망 | 여러 층의 처리 단위를 사용하여 복잡한 패턴 학습 |
| 연결주의의 장점 | |
| 패턴 인식 능력 | 복잡한 패턴 및 관계 학습에 적합 |
| 일반화 능력 | 학습 데이터에 없는 데이터에도 적용 가능 |
| 유연성 | 다양한 종류의 문제를 해결하는 데 적용 가능 |
| 생물학적 타당성 | 뇌의 작동 방식과 유사 |
| 연결주의의 단점 | |
| 해석의 어려움 | 학습된 연결 가중치의 의미를 이해하기 어려움 |
| 블랙박스 문제 | 내부 작동 방식을 이해하기 어려움 |
| 학습 시간 | 복잡한 문제를 해결하는 데 많은 학습 시간이 필요 |
| 기호 처리의 어려움 | 추상적인 기호 및 규칙 처리의 어려움 |
| 연결주의와 기호주의 | |
| 기호주의 | 마음을 기호와 규칙을 처리하는 시스템으로 간주 |
| 연결주의 | 마음을 상호 연결된 처리 단위의 네트워크로 간주 |
| 상호 보완적 관계 | 두 접근 방식이 상호 보완적이며 통합의 필요성 제기 |
| 연결주의의 응용 분야 | |
| 인공 지능 | 패턴 인식, 자연어 처리, 로봇 제어 등 |
| 인지 과학 | 지각, 학습, 기억 등 |
| 신경 과학 | 뇌 기능의 모델링 |
| 심리학 | 인지 과정의 연구 |
| 비판과 논쟁 | |
| 언어 처리 능력 | 연결주의가 복잡한 언어 구조를 처리하는 데 한계가 있다는 비판 |
| 규칙 학습 능력 | 명시적인 규칙을 학습하고 적용하는 데 어려움 |
| 구조화된 지식 표현 | 복잡하고 추상적인 지식을 표현하기 위한 메커니즘에 대한 비판 |
| 조합성 | 단어의 조합으로 문장을 만드는 능력에 대한 비판 |
| 인지 아키텍처 | 연결주의 모델은 인지 기능의 구조를 포착하는 데 어려움 |
| 신경망 구현 | 인간 수준의 추론을 수행하는 데 필요한 네트워크를 생성하는 어려움 |
| 주요 학자 | |
| 워렌 맥컬록 | 초기 신경망 모델 연구 |
| 월터 피츠 | 초기 신경망 모델 연구 |
| 데이비드 루멜하트 | 역전파 알고리즘 개발 |
| 제프리 힌튼 | 심층 신경망 연구 |
| 폴 스몰렌스키 | 연결주의와 언어 연구 |
| 제임스 맥클랜드 | 연결주의 모델 개발 |
| 참고 문헌 | |
| 마음으로서의 기계: 인지 과학의 역사 | 마가렛 보든 저 |
| 대수적 마음: 연결주의와 인지 과학의 통합 | 개리 F. 마커스 저 |
| 연결주의: 심리학을 위한 패러다임 전환인가? | 월터 슈나이더 저 |
| 관련 개념 | |
| 인공 신경망 | 연결주의 모델을 기반으로 한 컴퓨터 시스템 |
| 딥 러닝 | 심층 신경망을 이용한 기계 학습 |
| 인지 과학 | 마음과 지능을 연구하는 학문 |
| 기호주의 | 인지를 기호 조작으로 설명하는 접근 방식 |
| 참고 자료 | |
| 스탠포드 철학 백과사전 | 연결주의 항목 |
| 인터넷 철학 백과사전 | 연결주의 항목 |
| 오픈 철학 저널 | 연결주의의 특이한 사례 |
| 기타 | |
| 언어 간 연결주의 | 한국어 문헌에서 '커넥셔니즘' 또는 '연결주의'로 언급됨 |
| 연결주의와 학습 이론 | 교육 분야에서 연결주의적 학습 이론이 있음 (이 문서에서는 다루지 않음) |
| 연결주의와 반자동적 사고 | 반자동적 사고와의 연관성 |
2. 역사
연결주의는 여러 차례 부흥과 침체를 겪으며 발전해 왔다.
"연결주의"라는 용어는 에드워드 손다이크가 자극과 반응의 연결을 통해 학습을 설명하는 이론에서 처음 사용되었다.[21]
1980년대에는 인공지능 연구 분야에서 연결주의 방법론을 채택하는 연구자가 급증하여 붐이 일어났다. 이후 인공 신경망 기술은 지속적으로 발전하여 널리 보급되고 있다.
2. 1. 초기 연구
1943년 워런 맥컬럭과 월터 피츠가 신경 회로망을 수학적으로 모델링하여 연결주의 연구의 기초를 다졌다. 그들은 신경 시스템이 1차 논리를 어떻게 구현할 수 있는지 보여주었으며, "신경 활동에 내재하는 사상의 논리적 계산"(1943)이라는 논문은 이 발전에 중요한 역할을 했다.[23][3]1957년 프랭크 로젠블랫이 퍼셉트론을 고안했다.[73] 그는 1958년 "퍼셉트론: 뇌의 정보 저장 및 구성을 위한 확률적 모델"이라는 논문을 발표했다.
도널드 헵은 헵의 학습 규칙이라는 학습 원리를 제안했다. 칼 러즐리는 분산 표현을 주장했고, 프리드리히 하이에크는 1920년에 처음으로 연결주의 모델을 구상하여 1952년에 책으로 확장했다.[24][25][26]
확률적 경사 하강법[32]으로 훈련된 최초의 다층 퍼셉트론은 아마리 슌이치가 1967년에 발표했다.[33] 그의 제자 사이토가 수행한 컴퓨터 실험에서, 두 개의 수정 가능한 층을 가진 5층 MLP는 비선형적으로 분리 가능한 패턴 클래스를 분류하기 위해 유용한 내부 표현을 학습했다.[30]
연결주의 원리의 전조는 윌리엄 제임스의 연구와 같은 심리학 분야의 초기 연구에서 찾아볼 수 있다.[20] 19세기 후반, 존 휴링스 잭슨은 다층 분산 시스템을 주장했으며, 허버트 스펜서의 ''심리학 원리'' 제3판(1872년)과 지그문트 프로이트의 ''과학적 심리학을 위한 프로젝트''(1895년 작성)는 연결주의 이론을 제시했다. 20세기 초 에드워드 손다이크는 연결주의적 유형의 네트워크를 가정한 인간 학습에 관해 저술했다.[21]
2. 2. 신경망의 겨울
1969년 마빈 민스키와 시모어 페퍼트는 퍼셉트론을 출판하여,[73] 간단한 퍼셉트론이 선형 분리 불가능한 패턴을 식별할 수 없음을 지적했다. 이는 1차 신경망 붐의 침체를 야기했다.2. 3. 두 번째 부흥
1982년 존 홉필드가 홉필드 네트워크를 발표하여,[74] 제2차 신경 네트워크 붐을 일으켰다. 1986년 데이비드 러멜하트와 제임스 매클레런드 등이 정리한 병렬 분산 처리 모델은[75] 역전파를 도입하여, 마빈 민스키 등이 지적했던 단층 퍼셉트론의 선형 분리 불가능 패턴 인식 불가 문제를 극복하는 방법을 제시하면서 붐을 주도했다.3. 기본 원리
연결주의는 인간의 뇌 신경망을 추상화하여, 단순하고 균일한 단위들의 상호 연결된 네트워크로 정신 현상을 설명하는 것을 목표로 한다. 연결주의 지능체의 특징은 학습 방식에 있다. 연결주의 지능체에는 미리 범주 분류 기준이나 작업 절차를 제공할 필요가 없다. 즉, 인간 성인이 가지고 있는 "개념 체계"나 "상식 예절"에 해당하는 것을 미리 제공할 필요가 없다. 연결주의 지능체는 처음에는 "백지" 상태이며, 다수의 사례를 받아 "경험"함으로써 스스로 천천히 "학습"해 나간다.[8]
연결주의는 인간의 중추신경계(특히 뉴런)에서의 정보 처리를 추상화하여 의사 뉴런을 구축하고, 그것을 층상으로 다수 모아 지능체를 구축한다. 이는 소프트웨어로 모의 구현되거나 하드웨어로 구현될 수 있다. 만들어진 지능체에 "경험"을 반복해서 제공하면, 다수의 의사 뉴런이 서로 연결되거나, 그 연결 정도의 값(파라미터)을 점차 변화시켜 나간다. 연결주의 지능체는 처음에는 정확한 반응을 보이지 않고 실수도 하지만, 경험을 거치면서 지능적인 반응 비율이 점차 증가한다.
이 시스템에서 “지식”이나 “경험 지식”은 지능체 전체의 행동으로 나타나며, 다수 의사 뉴런의 파라미터 전체가 그것을 뒷받침한다. 이는 순차 실행형 PC 프로그램처럼 "기호"나 "문자열"로서 물리적으로 특정 위치에 존재하는 것이 아니다. 연결주의 지능체가 학습한 상태는 인간이 일상적으로 사용하는 말이나 글로 간결하게 표현하기 어렵다.
연결주의 출현 이전의 기호 논리 기반 인공 지능 구축 방법이 인간의 의식 수준에서 나타나는 심상(심볼, 문자, 숫자 등)을 모방하려 했다면, 연결주의는 인간 뇌 수준의 물리적 행동을 모방하려 한다고 볼 수 있다.
3. 1. 주요 개념
핵심 연결주의 원리는 정신 현상을 단순하고 균일한 단위들의 상호 연결된 네트워크로 설명할 수 있다는 것이다. 연결과 단위의 형태는 모델에 따라 다를 수 있다. 예를 들어, 네트워크의 단위는 뉴런을 나타낼 수 있고 연결은 시냅스를 나타낼 수 있는데, 이는 인간의 뇌와 같다.[8]모델 간의 대부분의 차이는 다음과 같다.
- '''단위의 해석''': 단위는 뉴런 또는 뉴런 그룹으로 해석될 수 있다.
- '''활성화의 정의''': 활성화는 다양한 방식으로 정의될 수 있다. 예를 들어, 볼츠만 머신에서 활성화는 활동 전위 스파이크를 생성할 확률로 해석되며, 단위에 대한 입력의 합에 대한 로지스틱 함수를 통해 결정된다.
- '''학습 알고리즘''': 서로 다른 네트워크는 연결을 다르게 수정한다. 일반적으로 시간에 따른 연결 가중치의 수학적으로 정의된 변화는 "학습 알고리즘"이라고 한다.[9]
| 개념 | 설명 |
|---|---|
| 단위 | 뉴런 또는 뉴런 그룹을 나타낸다. |
| 연결 | 시냅스를 나타내며, 단위 간의 연결 강도는 학습을 통해 조절된다. |
| 활성화 함수 | 뉴런의 활성화 정도를 결정하는 함수로, 비선형 함수가 사용되어 복잡한 패턴을 학습할 수 있도록 한다. |
| 학습 규칙 | 연결 강도를 조절하는 규칙으로, 헵의 학습 규칙, 역전파 알고리즘 등이 사용된다.[9] |
3. 2. 작동 방식
연결주의 모델은 인간의 중추 신경계, 특히 뉴런의 처리 방식을 추상화하여 만든 의사 뉴런을 기반으로 한다. 이러한 의사 뉴런들은 여러 층으로 구성되어 네트워크를 형성하는데, 일반적으로 입력층, 은닉층, 출력층으로 구성된다. 각 층의 뉴런들은 서로 연결되어 정보를 주고받으며, 각 연결은 연결 강도(가중치)를 가져 이 값에 따라 신호의 세기가 조절된다.[38]연결주의 시스템에서 "지식"과 "암묵적 지식"은 특정 위치에 저장되지 않고, 네트워크 전체, 즉 의사 뉴런들 간의 연결 강도(매개 변수)에 분산되어 저장된다. 연결주의 모델의 학습은 "경험"을 통해 이루어지는데, 처음에는 "백지" 상태에서 시작하여 다양한 사례를 통해 학습하며 연결 강도를 점차 조정해 나간다.[38] 초기에는 부정확한 반응을 보일 수 있지만, 반복 학습을 통해 점차 정확도를 높인다.
1986년에 발표된 논문에서는 역전파 알고리즘이 소개되었다.[38] 역전파는 출력층에서 발생한 오차를 은닉층으로 다시 전파하여 각 연결 강도를 수정하는 방식으로 학습을 진행한다.
3. 3. 생물학적 사실성
연결주의의 핵심 원리는 정신 현상을 단순하고, 종종 균일한 단위들의 상호 연결된 네트워크로 설명할 수 있다는 것이다. 연결과 단위의 형태는 모델에 따라 다를 수 있다. 예를 들어, 네트워크의 단위는 뉴런을 나타낼 수 있고 연결은 시냅스를 나타낼 수 있는데, 이는 인간의 뇌와 같다.[8]일반적으로 연결주의 연구는 생물학적으로 사실적일 필요는 없다.[10][11][12][13][14][15][16] 연결주의 모델이 생물학적으로 타당하지 않다고 여겨지는 영역 중 하나는 학습을 지원하는 데 필요한 오류 역전파 네트워크와 관련이 있다.[17][18] 하지만 오류 역전파는 두피에서 관찰되는 생물학적으로 생성된 전기 활동의 일부, 예를 들어 사건 관련 전위와 같은 N400 및 P600을 설명할 수 있다.[19] 이는 연결주의 학습 절차의 핵심 가정 중 하나에 대한 일부 생물학적 지원을 제공한다.
4. 계산주의와의 논쟁
연결주의는 1980년대 후반 인기를 얻으면서, 기호주의에 기반한 계산주의와 논쟁을 벌였다.[8] 제리 포더, 스티븐 핑커 등 일부 연구자들은 연결주의가 계산주의를 통해 인지과학과 심리학 분야에서 이루어진 진보를 훼손할 것이라고 주장했다. 계산주의는 정신 활동이 계산적이라는 주장, 즉 마음이 튜링 머신처럼 기호에 대한 형식적인 연산을 수행함으로써 작동한다는 주장을 하는 인지주의의 특정 형태이다.
이들은 연결주의의 경향이 연합주의로 회귀하고 사고의 언어(language of thought) 개념을 포기하는 것을 의미하며, 이는 잘못된 것이라고 주장했다. 반대로, 이러한 경향 때문에 다른 연구자들은 연결주의에 매력을 느꼈다.
이 논쟁은 주로 연결주의 네트워크가 추론에서 관찰되는 구문 구조를 생성할 수 있는지에 대한 논리적 주장에 초점을 맞추었다. 이는 나중에 달성되었지만, 연결주의 모델에서 일반적으로 가정되는 것보다 빠른 변수 바인딩 기능을 사용했다.[42][44]
계산주의적 설명은 해석하기 쉽고, 특정 정신 과정에 대한 이해에 기여할 수 있다는 장점이 있는 반면, 연결주의 모델은 불투명하여 학습 알고리즘, 단위 수 등 일반적인 용어로만 설명할 수 있다는 단점이 있다. 이러한 점에서 이 논쟁은 특정 이론이 구성되는 분석 수준의 차이를 반영한다고 볼 수 있다. 일부 연구자들은 분석 격차가 연결주의 메커니즘이 계산적 용어로 설명할 수 있는 출현 현상(emergent phenomena)을 야기하기 때문이라고 제안한다.[45]
폴 스몰렌스키의 하위기호적 패러다임[49][50]은 현대 연결주의에서 인지 이론을 설득력 있게 제시하기 위해 고전적 기호 이론에서 제기된 포더-필리신 난제[51][52][53][54]에 부합해야 한다.
4. 1. 주요 쟁점
연결주의와 계산주의는 1980년대 후반과 1990년대 초에 많은 논쟁을 불러일으켰다. 두 접근 방식은 다음과 같은 주요 차이점을 보인다.[8]| 구분 | 계산주의 | 연결주의 |
|---|---|---|
| 표상 방식 | 명시적인 기호와 규칙 | 분산된 연결 강도 |
| 학습 방식 | 규칙 기반 학습 | 경험 기반 학습 |
| 구조 | 모듈화된 구조 | 분산된 네트워크 구조 |
계산주의는 마음이 튜링 머신처럼 기호에 대한 형식적인 연산을 수행한다고 주장하는 반면, 연결주의는 정신 현상을 단순한 단위들의 상호 연결된 네트워크로 설명한다. 이러한 차이점에도 불구하고, 연결주의 구조가 뇌에서 기호 조작 시스템을 구현하는 방식일 수 있다는 주장도 제기되었다.[42]
폴 스몰렌스키(Paul Smolensky)의 통합 연결주의/기호 인지 구조(ICS)[8][43], 론 선(Ron Sun)의 CLARION(인지 구조) 등은 기호 조작과 연결주의 구조를 결합한 인지 모델이다.
2000년대에는 인지 모델에서 역동적 시스템(dynamical systems)의 인기가 높아지면서, 연결주의와 계산주의 사이의 분열을 계산주의와 역동적 시스템 사이의 분열로 보는 새로운 관점도 등장했다.[46][47]
2014년, 딥마인드(DeepMind)의 연구원들은 신경 튜링 머신(Neural Turing Machine)과 관계 네트워크(Relational Networks)를 발표하며 연결주의와 계산주의가 상충될 필요가 없음을 보여주었다.[48]
4. 2. 통합 가능성
일부 연구자들은 계산주의와 연결주의가 상호 보완적인 관계라고 주장하며, 통합 모델을 제시하기도 했다. 이들은 연결주의 구조가 뇌가 기호 조작 시스템을 구현하는 방식일 수 있다고 보았다. 실제로 연결주의 모델이 계산주의 모델에서 사용되는 기호 조작 시스템을 구현할 수 있다는 것은 잘 알려져 있다.[42]이러한 관점을 바탕으로 여러 통합 인지 모델이 제안되었는데, 대표적인 예는 다음과 같다.
하지만, 이러한 통합 모델이 기호 조작이 인지의 기초를 형성하는지에 대한 논쟁을 완전히 해결하지는 못했다. 그럼에도 불구하고 계산적 설명은 논리의 인지와 같은 특정 영역에서 유용한 고수준 설명을 제공할 수 있다는 점에서 의의를 가진다.
5. 현대적 발전과 응용
1980년대 초, 연결주의는 두 번째 물결을 맞이했다. 존 홉필드는 1982년에 홉필드 네트워크를 대중화하는 논문을 발표했다.[37] 1986년에는 역전파를 대중화하는 논문이 발표되었고,[38] 1987년에는 제임스 L. 맥클렐런, 데이비드 E. 루멜하트 등이 저술한 ''Parallel Distributed Processing''(PDP)이라는 2권짜리 책이 출판되었다. 이 책은 입력 및 출력 유닛과 함께 중간 처리 장치("은닉층"으로 알려짐)를 사용하고, 기존의 '올인올아웃' 함수 대신 시그모이드 활성화 함수를 사용하는 등 간단한 퍼셉트론 개념에 대한 몇 가지 개선 사항을 제시했다.
홉필드는 통계 역학의 관점에서 이 분야에 접근하여 초기 형태의 수학적 엄밀성을 제공했다.[3] 또한 신경망이 범용 함수 근사기임을 증명하는 중요한 출판물들이 발표되어 수학적 권위를 부여했다.[39]
이 시기에 몇 가지 초기의 인기 있는 시연 프로젝트가 등장했다. NETtalk(1987)은 영어를 읽는 법을 학습하여 ''투데이'' 쇼에 출연하며 인기를 얻었다.[40] TD-감몬(1992)은 백개먼에서 인간 최고 수준에 도달했다.[41]
6. 관련 도서
- 제프리 엘만 외, ''Rethinking Innateness: A connectionist perspective on development.'' MIT Press, 1996. (건 외 역, 인지 발달과 생득성―마음은 어디에서 오는가, 공립출판, 1998.)
참조
[1]
웹사이트
Internet Encyclopedia of Philosophy
https://iep.utm.edu/[...]
2023-08-19
[2]
논문
A logical calculus of the ideas immanent in nervous activity
https://doi.org/10.1[...]
1943-12-01
[3]
논문
The Curious Case of Connectionism
2019
[4]
서적
Mind as Machine: A History of Cognitive Science
https://archive.org/[...]
Oxford U.P
[5]
논문
Connectionism: Is it a Paradigm Shift for Psychology?
1987
[6]
서적
The Algebraic Mind: Integrating Connectionism and Cognitive Science (Learning, Development, and Conceptual Change)
https://archive.org/[...]
MIT Press
[7]
논문
Grammar-based Connectionist Approaches to Language
1999
[8]
웹사이트
The Stanford Encyclopedia of Philosophy
https://plato.stanfo[...]
Metaphysics Research Lab, Stanford University
2018-11-27
[9]
논문
Connective Intelligence for Childhood Mathematics Education
2017
[10]
웹사이트
Encephalos Journal
http://www.encephalo[...]
2018-02-20
[11]
서적
Neural Geographies: Feminism and the Microstructure of Cognition
https://books.google[...]
Routledge
2016-02-04
[12]
논문
Organismically-inspired robotics: homeostatic adaptation and teleology beyond the closed sensorimotor loop
https://users.sussex[...]
University of Sussex
2023-12-29
[13]
논문
Modeling language and cognition with deep unsupervised learning: a tutorial overview
2013-08-20
[14]
논문
Analytic and Continental Philosophy, Science, and Global Philosophy
https://scholarworks[...]
2023-12-29
[15]
서적
Neural Network Perspectives on Cognition and Adaptive Robotics
https://books.google[...]
CRC Press
1997-01-01
[16]
서적
Connectionism in Perspective
https://books.google[...]
Elsevier
1989-08-23
[17]
논문
The recent excitement about neural networks
1989-01
[18]
논문
Learning representations by back-propagating errors
1986-10
[19]
논문
Language ERPs reflect learning through prediction error propagation
2019-06-01
[20]
서적
Neurocomputing: Foundations of Research
A Bradford Book
1989
[21]
간행물
Human Learning
http://hdl.handle.ne[...]
1931
[22]
논문
History of the Lenz-Ising Model
[23]
논문
A logical calculus of the ideas immanent in nervous activity
https://doi.org/10.1[...]
1943-12-01
[24]
서적
Beiträge zur Theorie der Entwicklung des Bewusstseins
[25]
논문
Some Reflections on F.A. Hayek's The Sensory Order
http://link.springer[...]
2004
[26]
서적
The Sensory Order: An Inquiry into the Foundations of Theoretical Psychology
The University of Chicago Press
2012-09-15
[27]
논문
A historical sociology of neural network research
https://web.archive.[...]
University of Edinburgh
1991
[28]
서적
Generalization and information storage in networks of ADALINE "neurons"
Spartan Books
1962
[29]
서적
Cybernetics and forecasting techniques
https://books.google[...]
American Elsevier Pub. Co.
[30]
arXiv
Annotated History of Modern AI and Deep Learning
https://arxiv.org/ab[...]
2022
[31]
서적
Cybernetic Predicting Devices
https://books.google[...]
CCM Information Corporation
[32]
논문
A Stochastic Approximation Method
[33]
논문
A theory of adaptive pattern classifier
1967
[34]
논문
Learning Patterns and Pattern Sequences by Self-Organizing Nets of Threshold Elements
https://ieeexplore.i[...]
1972-11
[35]
논문
A Sociological History of the Neural Network Controversy
https://www.scienced[...]
Elsevier
2024-08-07
[36]
논문
A Sociological Study of the Official History of the Perceptrons Controversy
http://journals.sage[...]
1996-08-01
[37]
논문
Neural networks and physical systems with emergent collective computational abilities.
1982-04-01
[38]
논문
Learning representations by back-propagating errors
https://www.nature.c[...]
1986-10-01
[39]
논문
Approximation by superpositions of a sigmoidal function
https://doi.org/10.1[...]
1989-12-01
[40]
서적
The deep learning revolution
The MIT Press
2018
[41]
백과사전
TD-Gammon
https://doi.org/10.1[...]
Springer US
2023-12-25
[42]
논문
Symbolically speaking: a connectionist model of sentence production
2002
[43]
논문
Tensor Product Variable Binding and the Representation of Symbolic Structures in Connectionist Systems
http://www.lscp.net/[...]
1990
[44]
논문
From simple associations to systematic reasoning: A connectionist representation of rules, variables and dynamic bindings using temporal synchrony
1993-09-01
[45]
논문
Emergentism, Connectionism and Language Learning
http://www-personal.[...]
1998
[46]
논문
The dynamical hypothesis in cognitive science
https://www.cambridg[...]
2022-05-28
[47]
논문
Dynamical approaches to cognitive science
2000-03-01
[48]
논문
Neural Turing Machines
2014
[49]
논문
On the proper treatment of connectionism
1988
[50]
논문
The constituent structure of connectionist mental states: a reply to Fodor and Pylyshyn
1988
[51]
논문
Connectionism and cognitive architecture: a critical analysis
1988
[52]
논문
Connectionism and the problem of systematicity: why Smolensky's solution doesn't work
1990
[53]
논문
The connectionism/classicism battle to win souls
1993
[54]
논문
Can an ICS architecture meet the systematicity and productivity challenges?
MIT Press
2014
[55]
논문
Connectionism and the problem of systematicity: Why Smolensky's solution doesn't work
1990
[56]
서적
The language of thought
Harvester Press
1976
[57]
서적
LOT 2: The language of thought revisited
Clarendon Press
2008
[58]
논문
1988
[59]
논문
Reply: Constituent structure and explanation in an integrated connectionist / symbolic cognitive architecture
Blackwell Publishers
1995
[60]
서적
The Harmonic Mind: From Neural Computation to Optimality-Theoretic Grammar. Vol. 1: Cognitive Architecture
A Bradford Book, The MIT Press
2006
[61]
논문
Neuronal synchronization, covariation, and compositional representation
Ontos Verlag
2005
[62]
논문
Non-symbolic compositional representation and its neuronal foundation: towards an emulative semantics
Oxford University Press
2012
[63]
논문
Neuronal synchronization: from dynamics feature binding to compositional representations
[64]
서적
Connectionism and the Mind: Parallel Processing, Dynamics, and Evolution in Networks
Blackwell Publishers
2002
[65]
서적
The algebraic mind. Integrating connectionism and cognitive science
Bradford Book, The MIT Press
2001
[66]
서적
Cognitive science: Integrative synchronization mechanisms in cognitive neuroarchitectures of the modern connectionism
https://doi.org/10.1[...]
CRC Press
2021
[67]
서적
本当の声を求めて 野蛮な常識を疑え
青山ライフ出版（SIBAA BOOKS）
2024
[68]
서적
Perceptrons; an introduction to computational geometry
MIT Press
1969
[69]
논문
Neural network and physical systems with emergent collective computational abilities
http://www.pnas.org/[...]
1982
[70]
서적
Parallel Distributed Processing
MIT Press
1986
[71]
웹사이트
https://plato.stanfo[...]
[72]
웹사이트
Connectivism, A Learning Theory for the Digital Age
http://www.elearnspa[...]
2004-09-17
[73]
서적
Perceptrons; an introduction to computational geometry
MIT Press
1969
[74]
논문
Neural network and physical systems with emergent collective computational abilities
http://www.pnas.org/[...]
[75]
서적
Parallel Distributed Processing
MIT Press
1986
본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.
문의하기 : help@durumis.com