El principio de composicionalidad y los algoritmos de aprendizaje de máquina

El principio de composicionalidad y los algoritmos de aprendizaje de máquina

El presente artículo explora las consecuencias que las críticas de Fodor y Pylyshyn en 1988 hacia las representaciones conexionistas podrían tener con respecto a los desarrollos recientes del Aprendizaje de Máquina.  El cuestionamiento que estos autores realizan se suele denominar el reto d...

Descripción completa

Detalles Bibliográficos
Autores principales: Gallardo-Allen, Eugenia, Molina-Delgado, Mauricio
Formato: Online
Idioma:spa
Publicado: Universidad de Costa Rica 2024
Acceso en línea:https://revistas.ucr.ac.cr/index.php/filosofia/article/view/58419
id FILOSOFIA58419
record_format ojs
spelling FILOSOFIA584192024-01-26T19:10:20Z The Principle of Compositionality and Machine Learning Algorithms El principio de composicionalidad y los algoritmos de aprendizaje de máquina Gallardo-Allen, Eugenia Molina-Delgado, Mauricio Ciencia Cognitiva Inteligencia Artificial Redes Neuronales principio de composicionalidad aprendizaje de máquina Cognitive Science Artificial Intelligence Neural Networks compositionality principle Machine Learning This article explores the consequences that Fodor and Pylyshyn's 1988 criticism of connectionist representations could have with respect to recent developments in Machine Learning. The questioning that these authors raise is usually called the challenge of systematicity. In particular, the so-called compositionality principle will be analyzed here, which establishes that the meaning of a sentence is determined by the meaning of its parts, a principle that according to the aforementioned authors cannot be accounted for through distributed (subsymbolic) representations. To address the point, we present an overview the state of Cognitive Science and Artificial Intelligence (AI) at the end of the 20th century, where the distinction between symbolic and subsymbolic approaches is used; and the development of both disciplines during the first decades of the 21st century is analyzed. It is concluded that the statistical tools adopted by the field of Machine Learning maintain characteristics that allow these techniques to be divided through the symbolic/subsymbolic distinction, so that the arguments of Fodor and Pylyshyn can in principle be applied to these techniques. The consequences of this would be related to the so-called problem of epistemic opacity. El presente artículo explora las consecuencias que las críticas de Fodor y Pylyshyn en 1988 hacia las representaciones conexionistas podrían tener con respecto a los desarrollos recientes del Aprendizaje de Máquina.  El cuestionamiento que estos autores realizan se suele denominar el reto de la sistematicidad.  En particular, se analizará aquí el llamado principio de composicionalidad, el cual establece que el significado de una oración se determina por el significado de sus partes, principio del que según los citados autores no se puede dar cuenta mediante representaciones distribuidas (subsimbólicas).  Para abordar el punto, se realiza una radiografía sobre el estado de la Ciencia Cognitiva y la Inteligencia Artificial (IA) a finales del siglo XX, en donde se emplea la distinción entre enfoques simbólicos y subsimbólicos; y se analiza el desarrollo de ambas disciplinas durante las primeras décadas del siglo XXI.  Se concluye que las herramientas estadísticas adoptadas por el campo del Aprendizaje de Máquina mantienen características que permiten dividir estas técnicas mediante la distinción simbólico/subsimbólico, de modo que los argumentos de Fodor y Pylyshyn pueden en principio aplicarse a dichas técnicas.  Las consecuencias de esto estarían emparentadas con el llamado problema de opacidad epistémica. Universidad de Costa Rica 2024-01-26 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf text/html https://revistas.ucr.ac.cr/index.php/filosofia/article/view/58419 10.15517/revfil.2024.58419 Revista de Filosofía de la Universidad de Costa Rica; Vol. 63 No. 165 (2024): Revista de Filosofía ; 253-263 Revista de Filosofía de la Universidad de Costa Rica; Vol. 63 Núm. 165 (2024): Revista de Filosofía ; 253-263 2215-5589 0034-8252 10.15517/revfil.2024 spa https://revistas.ucr.ac.cr/index.php/filosofia/article/view/58419/58815 https://revistas.ucr.ac.cr/index.php/filosofia/article/view/58419/58865 Derechos de autor 2024 Revista de Filosofía de la Universidad de Costa Rica https://creativecommons.org/licenses/by-nc-nd/3.0/cr/
institution Universidad de Costa Rica
collection Revista de Filosofía de la Universidad de Costa Rica
language spa
format Online
author Gallardo-Allen, Eugenia
Molina-Delgado, Mauricio
spellingShingle Gallardo-Allen, Eugenia
Molina-Delgado, Mauricio
El principio de composicionalidad y los algoritmos de aprendizaje de máquina
author_facet Gallardo-Allen, Eugenia
Molina-Delgado, Mauricio
author_sort Gallardo-Allen, Eugenia
description El presente artículo explora las consecuencias que las críticas de Fodor y Pylyshyn en 1988 hacia las representaciones conexionistas podrían tener con respecto a los desarrollos recientes del Aprendizaje de Máquina.  El cuestionamiento que estos autores realizan se suele denominar el reto de la sistematicidad.  En particular, se analizará aquí el llamado principio de composicionalidad, el cual establece que el significado de una oración se determina por el significado de sus partes, principio del que según los citados autores no se puede dar cuenta mediante representaciones distribuidas (subsimbólicas).  Para abordar el punto, se realiza una radiografía sobre el estado de la Ciencia Cognitiva y la Inteligencia Artificial (IA) a finales del siglo XX, en donde se emplea la distinción entre enfoques simbólicos y subsimbólicos; y se analiza el desarrollo de ambas disciplinas durante las primeras décadas del siglo XXI.  Se concluye que las herramientas estadísticas adoptadas por el campo del Aprendizaje de Máquina mantienen características que permiten dividir estas técnicas mediante la distinción simbólico/subsimbólico, de modo que los argumentos de Fodor y Pylyshyn pueden en principio aplicarse a dichas técnicas.  Las consecuencias de esto estarían emparentadas con el llamado problema de opacidad epistémica.
title El principio de composicionalidad y los algoritmos de aprendizaje de máquina
title_short El principio de composicionalidad y los algoritmos de aprendizaje de máquina
title_full El principio de composicionalidad y los algoritmos de aprendizaje de máquina
title_fullStr El principio de composicionalidad y los algoritmos de aprendizaje de máquina
title_full_unstemmed El principio de composicionalidad y los algoritmos de aprendizaje de máquina
title_sort el principio de composicionalidad y los algoritmos de aprendizaje de máquina
title_alt The Principle of Compositionality and Machine Learning Algorithms
publisher Universidad de Costa Rica
publishDate 2024
url https://revistas.ucr.ac.cr/index.php/filosofia/article/view/58419
work_keys_str_mv AT gallardoalleneugenia theprincipleofcompositionalityandmachinelearningalgorithms
AT molinadelgadomauricio theprincipleofcompositionalityandmachinelearningalgorithms
AT gallardoalleneugenia elprincipiodecomposicionalidadylosalgoritmosdeaprendizajedemaquina
AT molinadelgadomauricio elprincipiodecomposicionalidadylosalgoritmosdeaprendizajedemaquina
AT gallardoalleneugenia principleofcompositionalityandmachinelearningalgorithms
AT molinadelgadomauricio principleofcompositionalityandmachinelearningalgorithms
_version_ 1810116518316343296

Ejemplares similares