Los modelos ocultos de Markov infinitos pueden diseccionar las complejidades del aprendizaje

Área de la Ciencia:

• Neurociencia Computacional
• Ciencia Conductual
• Aprendizaje Automático

Sus antecedentes:

• El aprendizaje de tareas es complejo y varía significativamente entre individuos.
• La caracterización de las curvas de aprendizaje requiere modelos que capturen tanto los comportamientos emergentes como las adaptaciones sutiles.
• Los modelos existentes pueden no capturar completamente la naturaleza dinámica del aprendizaje conductual.

Objetivo del estudio:

• Desarrollar un modelo computacional novedoso para caracterizar cuantitativamente el aprendizaje animal.
• Capturar tanto la aparición de nuevos comportamientos como la adaptación de los existentes durante el aprendizaje de tareas.
• Proporcionar una herramienta para el análisis conductual integral durante los procesos de aprendizaje.

Principales métodos:

• Desarrollo de un modelo dinámico infinito oculto semi-Markov (DIHSM).
• El DIHSM utiliza estados latentes para representar componentes conductuales específicos.
• Ajuste del modelo a datos conductuales de más de 100 ratones que aprenden una tarea de detección de contraste.

Principales resultados:

• El DIHSM describió con éxito nuevos comportamientos introduciendo nuevos estados y adaptaciones a través de la dinámica de los estados.
• El análisis de datos de ratones reveló grandes diferencias interindividuales en el aprendizaje.
• La mayoría de los ratones exhibieron tres etapas distintas de comprensión de la tarea durante el aprendizaje.

Conclusiones:

• El modelo dinámico infinito oculto semi-Markov propuesto es eficaz para capturar dinámicas de aprendizaje complejas.
• El aprendizaje conductual en ratones progresa a través de etapas identificables, y los nuevos comportamientos a menudo aparecen al inicio de la sesión.
• El modelo ofrece una nueva y poderosa herramienta para el análisis integral de datos conductuales durante el aprendizaje.