Teoría hebbianaLa teoría Hebbiana describe un mecanismo básico de (o se agrandan si ya existen) en contacto con plasticidad sináptica en el que el valor de una conexión el soma de la segunda célula.” (Hebb, 1949, p. sináptica se incrementa si las neuronas de ambos lados 63) de dicha sinapsis se activan repetidas veces de forma simultánea. Introducida por Donald Hebb, en 1949, es también llamada regla de Hebb, postulado de aprendizaje Gordon Allport ha propuesto nuevas ideas sobre la teoría de Hebb o Teoría de la Asamblea Celular, y afirma lo de la Asamblea célular y su papel en la formación de los siguiente: engramas, en el sentido del concepto de auto-asociación, que se describe como sigue: Supongamos que la persistencia de una actividad repetitiva (o “señal”) tiende a inducir cambios celulares duraderos que promueven su es“Si las entradas a un sistema producen el mistabilidad. ... Cuando el axón de una célula A mo patrón de actividad repetidamente, el conestá lo suficientemente cerca como para excitar junto de elementos activos que constituyen ese a una célula B y repetidamente toma parte en modelo llegarán a tener una interasociación la activación, ocurren procesos de crecimiento más fuerte. Es decir, cada elemento tenderá a o cambios metabólicos en una o ambas células activar a otros elementos y (con pesos negade manera que tanto la eficiencia de la célula A, tivos) a inactivar a los elementos que no forcomo la capacidad de excitación de la célula B men parte del patrón. En otras palabras, el son aumentadas. patrón en su conjunto se convertirá en 'autoasociado'. Se puede decir que un aprendizaLa teoría se resume a menudo como: "las células que se je (auto-asociado) es un patrón de engrama.” disparan juntas, permanecerán conectadas", aunque esto (Hebb, 1949, p. 44) es una simplificación del sistema nervioso no debe tomarse literalmente, así como no representa con exactitud la declaración original de Hebb sobre cambios de la fuerza de conectividad en las células. La teoría es comúnmente evocada para explicar algunos tipos de aprendizajes asociativos en los que la activación simultánea de las células conduce a un pronunciado aumento de la fuerza sináptica. Este aprendizaje se conoce como aprendizaje de Hebb. 1 La teoría hebbiana ha sido la base principal de la visión convencional de que los engramas son redes neuronales cuando se analizan desde un nivel holístico. Los trabajos de laboratorio de Eric Kandel han aportado pruebas de la participación de mecanismos de aprendizaje hebbiano en las sinapsis del gasterópodo marino Aplysia californica Los Engramas de Hebb y la teoría de la Asamblea celular Los experimentos sobre los mecanismos hebbianos de modificación en las sinapsis del sistema nervioso central de vertebrados son mucho más difíciles de controlar que La teoría de Hebb se encarga de cómo se conectan las los experimentos con las sinapsis del relativamente simneuronas formando engramas. Las teorías de Hebb sobre ple sistema nervioso periférico estudiadas en invertebrala forma y la función de la asamblea celular se pueden dos marinos. Gran parte del trabajo sobre cambios sinápticos de larga duración en neuronas de vertebrados (como entender de la siguiente manera: la potenciación a largo plazo) implican el uso de estimulación experimental no fisiológica de células cerebrales. “La idea es antigua, que dos células o sistemas Sin embargo, algunos de los mecanismos fisiológicamende células que están continuamente activas al te relevantes de modificación sinaptica que se han estumismo tiempo, tenderán a convertirse en 'asodiado en cerebros de vertebrados parecen ser ejemplos de ciadas’, de manera que la actividad de una faprocesos hebbianos. Una estudio resultado de estos expecilitará la de la otra.” (Hebb, 1949, p. 70) rimentos indica que los cambios a largo plazo en la fuerza “Cuando una célula ayuda en repetidas ocasiode las sinapsis pueden ser inducidos por actividad sinápnes a que otra se dispare, en el axón de la pritica fisiológicamente relevante que trabaja tanto a través mera célula se desarrollan botones sinápticos de mecanismos hebbianos como no hebbianos. 1 tales como la teoría BCM. Los nodos que tienden a ser positivos o negativos al mismo tiempo tienen fuertes pesos positivos. el aprendizaje hebbiano y = wj xj implica que los pesos sean ajustados de manera que caj da uno de ellos represente la mejor relación posible entre los nodos. Por lo que los modelos de redes de neuronas suelen emplear otras teorías de aprenwij = xi xj dizaje. mientras que La regla de Hebb se generaliza frecuentemente como: aquellos que tienden a ser contrarios tienen fuertes pesos negativos. Una variación del aprendizaje hebbiano que toma en cuenta fenómenos como el bloqueo de los nervios y de • Potenciación a largo plazo • Memoria • Metaplasticidad • Redes Neuronales • Estimulación tetánica • Leabra • Redes de Hopfield • Principio de Dale . A menudo se cita el caso de caciones de aprendizaje hebbiano. Esta versión de la regla es claramente inestable. n es la dimensión del vector de entrada. neurona i y xi el valor de entrada para la neurona i . muchos métodos de aprendizaje de la simplificación de la sección anterior tiene en cuenta la naturaleza pueden ser consideradas como hebbianos. De nuevo en las redes Hopfield las conexiones wij se ponen a cero si i = j (conexiones no reflexivas).da sean 1. En este sentido. El peso entre dos neuronas se incrementa si las dos neuronas se activan 3 Generalización y estabilidad simultáneamente y se reduce si se activan por separado. Sin embarson posibles) go. Con neuronas binarias (valores de activación de • Teoría BCM 0 ó 1) las conexiones se establecen a 1 si las neuronas conectadas tienen el mismo patrón de activación.la respuesta postsináptica y . Como tal. • Detección de coincidencias en Neurobiología Otra formulación matemática es: 1∑ k k xi xj n p wij = k=1 donde wij es el peso de la conexión de la neurona j a la neurona i . la regla de Hebb es inestable. cribir como un método de determinar la forma de modificar los pesos entre modelos de neuronas. y también es fácil neuronales artificiales. el principio de Hebb se puede des. la regla de Oja. que tanto la tasa de aprendizaje como los pesos de entraLa siguiente es una formulación matemática del apren.de aplicar. El modelo de Klopf reproduce Desde el punto de vista de las neuronas artificiales y redes gran cantidad de fenómenos biológicos. Hay que tener en cuenta que este es el modelo de aprendizaje (pesos actualizados después de cada ejemplo de entrenamiento). el término una neurona lineal. Es un aprendizaje por épocas (los pesos se actualizan después de que todos los ejemplos de formación se han presentado). dizaje hebbiano: (nótese que muchas otras descripciones como en cualquier red con una señal dominante los pesos aumentarán o disminuirán exponencialmente. Hoy en día. En una Red de Hopfield las conexiones wij se 4 Véase también ponen a cero si i = j (no se permiten conexiones reflexivas). y xki la entrada número k para la neurona i . Si bien esto significa que puede ser relativamente fácil de codificar en un programa informá.[1] o el donde wij es el peso de la conexión de la neurona j a la algoritmo hebbiano generalizado.o el cambio en el peso wi de la sinapsis número i es igual tico y se utilize para actualizar los pesos correspondientes a la tasa de aprendizaje η por la entrada número i xi por de una red de neuronas. aprendizaje hebbiano por lo general se refiere a algún tipo de abstracción matemática del principio original pro∑ puesto por Hebb. se puede ver que para cualquier modelo de neurona. también limita el número de apli.2 2 4 Principios VÉASE TAMBIÉN muchos otros fenómenos de aprendizaje es el modelo matemático de Harry Klopf. Este original principio es quizás la forma más simple de ∆wi = ηxi y selección de pesos. p el número de patrones de aprendizaje. The Synaptic basis for Learning and Memory: A theoretical approach (en inglés). and Epstein.3 5 Referencias [1] Shouval. Brain Mechanisms and Learning (en inglés). ISBN 0443-03039-1.1016/S0959-4388(00)00076-3. R. (1940).O. «Natural patterns of activity and long-term synaptic plasticity». Netbiblo. ed.K. New York. Current Perspectives in Dysphasia (en inglés). • Bishop. D. (2000). ISBN 978-84-9745-246-5. 7 Enlaces externos • Regla de Hebb • El legado de Hebb para la psicología científica • Descripción general (en inglés) • Tutorial de aprendizaje hebbiano (en inglés) (Part 1: Novelty Filtering. Edinburgh: Churchill Livingstone. ISBN 0-19-853849-9. (1949). Archives of Neurology and Psychiatry (en inglés) 44: 421–436. «Human behaviour after extensive bilateral removal from the frontal lobes». Madrid. • Flórez López.O. ed. Sejnowski. D. Fernández Fernández. Oxford: Oxford University Press. doi:10. ed. F. D. D. O. «Distinctive features of learning in the higher animal». Neural Networks for Pattern Recognition (en inglés). J. Harel (3 de enero de 2005). La organización de la conducta. D. London: Oxford University Press. The University of Texas Health Science Center at Houston. En J. Debate. • Hebb. PMID 10753798. Las redes neuronales artificiales. • Paulsen.O.O. The Organization of Behavior (en inglés).M. W. • Hebb. Miguel (2008). modular systems and dysphasia». C. En Newman. Archivado desde el original el 02 de diciembre de 2015. T. Part 2: PCA) . Raquel.. Wiley. y Penfield. (1985). • Allport. «Distributed memory. Current opinion in neurobiology (en inglés) 10 (2): 172–179. Delafresnaye. S. • Hebb.. (1985). J. (1961). Consultado el 14 de noviembre de 2007. (1995).A. 6 Lecturas adicionales • Hebb. «The Physics of the Brain». colaboradores y licencias 8. ZéroBot. EmausBot. AriasFco. Kikobot.1 Texto • Teoría hebbiana Fuente: https://es.org/wiki/Teor%C3%ADa_hebbiana?oldid=87715812 Colaboradores: Superzerocool. Andreasmperu. Addbot. Elvisor.4 8 ORIGEN DEL TEXTO Y LAS IMÁGENES.0 . BenjaBot y Anónimos: 2 8.2 Imágenes 8. Leonpolanco. Finderlog. FrescoBot. COLABORADORES Y LICENCIAS 8 Origen del texto y las imágenes. Enrique Cordero. Luckas-bot.wikipedia. Edslov. LucienBOT.3 Licencia del contenido • Creative Commons Attribution-Share Alike 3. Muro Bot. Farisori.