Artificial Intelligence & Neurocognition - UL - TentamenTests (NL)
Deze oefenvragen zijn gebaseerd op de colleges uit voorgaande studiejaren.
Vragen
Lecture 1
Vraag 1
Wat is het verschil tussen zwakke AI en sterke AI? Wat zijn de aannames en wat betekent dit voor AI?
Vraag 2
Wat is het verschil tussen symbolische AI en connectionistische AI?
Vraag 3
Wat is de Turing imitation game? Hoe relateert dit zich aan intelligente systemen?
Vraag 4
Hoe relateert Searle's Chinese kamer argument zich aan de Turing imitation game? Wat voor conclusie zou Searle trekken over een computer die de test verslaat?
Vraag 5
Verklaar de kritiek op symbolische AI. Geef argumenten voor en tegen.
Vraag 6
Wat zijn de gelijkenissen tussen connectionistische AI architecturen en het menselijke brein?
Vraag 7
Wat betekent content-addressable zijn voor het menselijke geheugen?
Lecture 2
Zie bijlage.
Lecture 3
Vraag 21
Waarom hebben robots sensoren en effectoren nodig? Geef ook definities.
Vraag 22
Wat zijn vrijheidsgraden binnen robotica? Geef ook een voorbeeld.
Vraag 23
Wat zijn de verschillen tussen gedrag van twee Braintenberg voertuigen, waarvan er één recht en de ander gekruiste excitatorische connecties heeft. Beschrijf dit gedrag ook.
Vraag 24
Wat gebeurt er met de twee voertuigen uit vraag 23, als de connecties inhibitorisch zijn in plaats van exciterend?
Vraag 25
Wat gebeurt er als er een threshold functie wordt geïmplementeerd.
Vraag 26
Hoe kan een voertuig met thresholds reageren op bepaalde sequenties van input waardes?
Vraag 27
Hoe kan geheugen in een voertuig worden geïmplementeerd?
Vraag 28
Welke twee technieken kan een robot gebruiken om te leren? Leg deze uit.
Vraag 29
Verklaar het verschil tussen feedforward en feedback motorische controle systemen. Welke wordt wanneer gebruikt? Wat is een nadeel aan feedforward motorische controle systemen?
Lecture 4
Vraag 30
Welke drie typen netwerken zijn er? Beschrijf deze.
Vraag 31
Wat zijn argumenten voor de suggestie dat object herkenning en classificatie in de hersenen plaatsvindt door middel van feedforward netwerken?
Vraag 32
Wat is het receptieve veld van een neuron?
Vraag 33
Welke variatie in een receptief veld is er te zien, als het gaat om een receptief veld in een feedforward netwerk in de hersenen, dat visuele informatie verwerkt voor object herkenning en classificatie?
Vraag 34
Wat is een topografische of retinotopische representatie?
Vraag 35
Wat betekent locatie invariante object herkenning?
Vraag 36
Wat betekent schaal invariante object herkenning?
Vraag 37
Welke observaties in het Quian Quiroga artikel steunen het idee van invariante object representatie in de hersenen?
Vraag 38
Wat is een perceptron?
Vraag 39
Kan het volgende probleem worden opgelost door en perceptron en hoe?
Input | Output | U |
X | Y | xANDy |
1 | 1 |
|
1 | 0 |
|
0 | 1 |
|
0 | 0 |
|
Vraag 40
Geef een classificatie probleem dat niet kan worden opgelost door een perceptron en geef aan waarom niet.
Vraag 41
Wat is een squashing function?
Vraag 42
Waarom zijn squashing functions nodig voor feedforward netwerken met verborgen lagen, als het netwerk meer dan een perceptron moet bereiken?
Lecture 5
Zie bijlage.
Lecture 6
Vraag 58
Wat zijn de voordelen die (biologische) feedforward netwerken kunne hebben voor visuele perceptie?
Vraag 59
Verklaar wat het betekent om een universele approximator te zijn als feedforward netwerk. Wat zijn de limitaties van deze mogelijkheid?
Vraag 60
Wat is catastrophic interference met feedforward netwerken?
Vraag 61
Hoe kunnen catastrophic interference met feedforward netwerken worden voorkomen?
Vraag 62
Welk probleem vindt er plaats bij verschillende feedforward netwerken bij het verwerken van verschillende vormen van visuele informatie (features)?
Vraag 63
Waarom is het cognitief nuttig om invariante object representaties te hebben?
Vraag 64
Welk probleem kan ontstaan vanuit invariante object representaties?
Vraag 65
Wat is het “what versus where” probleem in visuele perceptie?
Vraag 66
Hoe kan het “what versus where” probleem in visuele perceptie opgelost worden?
Vraag 67
Het LIP gebied in de pariëtale cortex houdt zich bezig met het verwerken van locatie informatie en ruimtelijke aandacht gerelateerd aan oog bewegingen. Wanneer een object in het receptieve veld van een neuron terecht komt in dit gebied, duurt het 60 ms totdat een neuron geactiveerd wordt. Wanneer de identiteit van een object geselecteerd is door een cue buiten het receptieve veld van een neuron, duurt dit 200 ms. Wat is de oorzaak van deze activatie? Wat verklaard het verschil tussen activatie tijd en cue gerelateerde activatie van neuronen?
Vraag 68
Wat is een karakteristiek verschil in structuur tussen feedforward en feedback netwerken in visuele perceptie?
Vraag 69
Wat is een karakteristiek verschil in rol of functie tussen feedforward netwerken en feedback netwerken in visuele perceptie?
Vraag 70
Wat is disinhibitie?
Vraag 71
Wat is een karakteristiek verschil tussen disinhibitie en directe top-down activatie in de interactie tussen feedforward netwerken en feedback netwerken in visuele perceptie?
Vraag 72
Waar schijnt het experiment van Motter (1994) licht op, als er gekeken wordt naar de rol van topografische (retinotopische) representaties in de interactie tussen feedforward netwerken en feedback netwerken in visuele perceptie?
Vraag 73
Waar kunnen topografische (retinotopische) representaties gevonden worden in de visuele cortex?
Vraag 74
Waar schijnt het experiment van Motter (1994) licht op, als er gekeken wordt de interactie tussen feedforward netwerken en feedback netwerken in visuele perceptie en hoe dit zich over tijd ontwikkeld?
Lecture 1 - Antwoorden
Antwoord 1
Zwakke AI is computer intelligentie die zich focust op een specifieke taak en is gelimiteerd. Met trucjes kan intelligentie nagedaan worden, maar het systeem is niet zelf bewust. Sterke AI gaat om intelligente systemen die zelf kunnen nadenken en dus ook AI kunnen bewijzen. Met de juiste input en output zou een goed geprogrammeerde computer hetzelfde moeten kunnen als the mind. Hierbij wordt aangenomen dat menselijk denken een vorm van berekenen is binnen het systeem dat de mind is.
Antwoord 2
Symbolische AI bestaat uit intelligent gedrag door het manipuleren van symbolen en wordt ook wel GOFAI genoemd. Er wordt gebruik gemaakt van als-dan regels voor het manipuleren. Een symbool bestaat uit entiteiten, die een fysiek patroon hebben, bestaande uit symbool structuren. Deze structuur bestaat uit verschillende instanties of tokens van symbolen. Deze zijn aan elkaar gerelateerd op een fysieke manier.
Connectionistische AI bestaat uit representaties in de hersenen. Deze worden verspreid en parallel verwerkt in grote artificiële neurale netwerken. Dit is een meer biologische kijk. Hier is er de mogelijkheid tot generalisatie, patroon herkenning en leren.
Antwoord 3
De Turing imitation game bestaat uit drie mensen. Persoon A en B communiceren, terwijl één van de twee een computer is. Persoon C bekijkt deze communicatie en moet bepalen welke van de twee de computer is. Als dit niet met betrouwbaarheid mogelijk is, kan de computer gezien worden als intelligent. De gedachte hier achter is, dat een computer hiervoor dezelfde kennis nodig heeft als een mens. De onderliggende systemen worden echter buiten beschouwing gehouden, dus hoeft dit intelligentie nog niet aan te tonen. Een goed geprogrammeerd systeem zou deze test zonder intelligent te hoeven zijn, moeten kunnen verslaan.
Antwoord 4
In het Chinese kamer argument wordt er kritiek gegeven op de test. Hierbij zit iemand in een afgesloten kamer met een boek gevuld met Chinese vragen en antwoorden. Via briefjes onder de deur worden Chinese vragen aan de persoon doorgegeven en hier moet het antwoord op teruggegeven worden. De kritiek hier is, dat er geen begrip van de Chinese taal nodig is, om dit te kunnen doen. Hetzelfde geldt voor op regels gebaseerde manipulatie van symbolen. Dit kan toegepast worden op een computer die de test verslaat. Dat kan namelijk met trucjes, zonder daadwerkelijk begrip, intelligentie of bewustzijn. Bewustzijn vereist een bepaald proces van fysisch-chemische acties, die alleen uitgevoerd kunnen worden door het menselijk brein. Een computer die de Turing test verslaat, is dus nog niet meteen intelligent of bewust.
Antwoord 5
Ten eerste werkt symbolische AI alleen met als-dan regels en heeft niets met neurofysiologie te maken, als tegenargument. Er is ook geen puur symbolische verklaring voor patroon herkenning. Verder is het onlogisch de echte wereld niet te gebruiken als zijn eigen representatie, omdat deze het meest accuraat is. Representaties moeten kunnen omgaan met ruis tijdens de input. Daarnaast hebben we symbolische AI nergens voor nodig.
Expert systemen kunnen menselijk keuzes maken nadoen en dit zou een argument zijn voor symbolische AI. Een voorbeeld hiervan is MYCIN, die werd gebruikt om behandelingen te diagnosticeren. Deze is accurater dan doktoren.
Antwoord 6
Connectionistische AI is gebaseerd op het menselijk brein. Er is dus een biologische overeenkomst. De input gaat via dendrieten, output via axonen, veel connecties en parallel berekenen. Dit is namelijk efficiënter dan serie verwerken. Als tweede overeenkomst zijn beide structuren tolerant tegenover schade. In beschadigde netwerken is verwerking nog steeds mogelijk. Als laatste overeenkomst zijn beide structuren in staat om te generaliseren. Deze regels kunnen worden aangemaakt en toegepast op nieuwe input.
Antwoord 7
Het geheugen is dan terug te halen, gebaseerd op inhoud. Een deel van deze inhoud word dan als cue gebruikt voor het ophalen van gerelateerde informatie. Dit zorgt voor flexibiliteit en robuustheid.
Lecture 2 - Antwoorden
Zie bijlage.
Lecture 3 - Antwoorden
Zie bijlage.
Lecture 4 - Antwoorden
Antwoord 30
Een feedforward netwerk, een volledig herhalend netwerk en gedeeltelijk herhalende netwerken. Een feedforward netwerk bevat connecties die één richting op gaan, een input laag, een verborgen laag en een output laag. De data gaat hier lineair. In een volledig herhalend netwerk zitten connecties die alle kanten op gaan. Elke neuron is met een ander verbonden. Een gedeeltelijk herhaaldelijk netwerk is een gemixt type netwerk, dat interactie en specifieke circuits bevat. De output geeft feedback aan input neuronen.
Antwoord 31
Hogere visuele gebieden zijn gevoeliger voor specifieke visuele objecten. Bekende figuren worden snel herkend. Ieder component heeft een specifieke visuele taak, zoals kleur, vorm en positie. Als er sprake is van feedback, zou de verwerking langer duren.
Antwoord 32
Het receptieve veld is het gedeelte van sensorische ruimte waarin een stimulus het vuren van een neuron kan uitlokken.
Antwoord 33
Het proces bestaat uit vier stadia die verandering weergeven:
V1: het receptieve veld voor oriëntatie en ruimtelijke grootte. Dit zijn horizontale dunne kolommen. Er zijn hier fase afhankelijke en onafhankelijke cellen. Groepering vindt hier plaats door gebruik te maken van de eerste twee corticale delen.
V2 & V3: het receptieve veld is hier gevoelig voor verticale lijnen en voor contouren die alleen door horizontale lijnen worden gecreëerd. In de volgende drie corticale delen wordt er gelet op simpele vormen.
V4: het receptieve veld is hier gevoelig voor kleuren en complexe vormen. Combinaties worden gemaakt en het object wordt gezien als onderdeel van de rest van de omgeving.
IT: deze bestaat uit de Posterior Inferior Temporal cortex en de Anterior Inferior Temporal cortex. Dit laatste gebied is gevoelig voor gezichten. Het receptieve veld is hier gevoelig voor vorm en kleur. Het receptieve veld is hier maximaal, maar specifieke informatie is hierdoor verloren gegaan.
Er zijn kleine receptieve velden (V1 Hubel en Wiesel). Deze zijn topografisch gerepresenteerd. Ook zijn er grotere receptieve velden (AIT Tanaka). Deze zijn niet topografisch gerepresenteerd. De locatie is invariant en scale invariant.
Antwoord 34
Specifieke gebieden van het visuele veld zullen specifieke gebieden van visuele gebieden in de hersenen activeren. Gebieden die dicht bij elkaar liggen in het visuele veld zullen op visuele gebieden projecteren die ook dicht bij elkaar liggen.
Antwoord 35
Dit houdt in dat object herkenning gebaseerd is op structurele informatie, zoals individuele delen. Zo kan herkenning plaatsvinden onafhankelijk van het perspectief van een object. Individuele delen kunnen namelijk geroteerd worden om bij elk perspectief te passen.
Antwoord 36
Dit houd in dat object herkenning gebaseerd is op structurele informatie, zoals individuele delen. Het maakt dan niet uit wat de schaal van een object is. Bij kleine beelden, moet het netvlies wel genoeg informatie krijgen voor een correcte identificatie.
Antwoord 37
Er is hier getest met 40 nieuwe beelden van hetzelfde individu en de meeste neuron units reageren uniek op een bepaald individu. Dit laat invariante representatie zien. Er werd ook gevonden, dat bepaalde neuronen op meerdere individuen reageren die aan elkaar gerelateerd zijn.
Antwoord 38
Een perceptron is een neuraal netwerk waar neuronen van verschillende lagen allemaal een connectie met elkaar hebben. De eerste laag bestaat uit input neuronen, dan is er een verborgen laag en als laatst een output laag.
Antwoord 39
Het probleem kan opgelost worden door een perceptron. Er is maar één waarde groter dan 0, dus de perceptron zal alleen vuren als er één bepaalde conditie is. Theta is hier de threshold.
Input | Output | U |
| Dus input | Benodigd |
X | Y | xANDy |
|
|
|
1 | 1 | 1 | W1X + W2Y > theta | W1 + W2 > theta | W1 + W2 > theta |
1 | 0 | 0 | W1X + W2Y < theta | W1 < theta | 0 < W1 < theta |
0 | 1 | 0 | W1X + W2Y < theta | W2 < theta | 0 < W2 < theta |
0 | 0 | 0 | W1X + W2Y < theta | 0 < theta |
|
Antwoord 40
De input ruimte van EXOR is niet lineair te scheiden en kan dus niet opgelost worden door een perceptron. Hier is een niveau van drie lagen nodig, in plaats van twee.
Input | Output | U |
X | Y | xEXORy |
1 | 1 | 0 |
1 | 0 | 1 |
0 | 1 | 1 |
0 | 0 | 0 |
Antwoord 41
Een squashing function maakt van een groot getal een kleiner getal en andersom. Het gesquashde getal zal tussen 0 en 1 liggen en dus go/no go aangeven.
Antwoord 42
Als je voor elke neuron in de verborgen laag simpelweg Σni=1wini doet, dan kom je op antwoorden ver boven de 1 uit, terwijl 1 voor de maximale activiteit van een neuron staat. Een squashing function maakt hier een getal tussen 0 en 1 van. Een verborgen laag die alleen met de formule werkt, is overbodig, gezien dezelfde functie ook bereikt kan worden door het gewicht tussen input en output aan te passen. Om nuttig te zijn, is er een threshold functie nodig. Mogelijke combinaties van activaties worden dan terug gebracht naar twee of drie mogelijke outputs. Denk aan de XOR approximatie, die werk alleen als we een verborgen laag hebben die de aantal mogelijke activaties: 4 (11, 10, 01, 00) terugbrengt tot 3 (10, 01, 00).
Lecture 5 - Antwoorden
Antwoord 43
Het doel van een neuraal netwerk is dat een object correct wordt geïdentificeerd, ongeacht de grootte en de positie op het netvlies. Door deze verschillen worden ook andere neuronen geactiveerd. Ondanks dit verschil wil je dat het systeem tot dezelfde conclusie komt.
Je wilt dat alle activiteit die een bepaald object veroorzaakt kunnen onderscheiden van de activiteit veroorzaakt door een ander object. Bij een bepaalde activatietoestand weet het systeem dan: het is object A. Helaas zie je een object nooit twee keer op dezelfde manier. Het systeem moet dus een methode vinden om de representatieruimtes zo in te delen dat iedere activiteit binnenin een bepaald gebied kan worden toegeschreven aan een bepaald object. Deze gebieden zitten in elkaar gevouwen, manifolds. Het netwerk moet deze dus eerst uit elkaar zien te trekken zodat een duidelijke classificatielijn getrokken kan worden. Juist dat uit elkaar trekken is een probleem.
Antwoord 44
Het netwerk maakt gebruik van een ontvouwtechniek. In het beginstadium is alles nog in elkaar gekreukeld en in het eindstadium minder. De beginlagen zoals V1 hebben maar een klein deel van het receptieve veld en beginnen met het ontkreukelen. Op basis van de outputRead more
Add new contribution