En esta línea de investigación buscamos producir modelos computacionales que hagan mímica de la manera en que procesamos eventos en el tiempo. Puntualmente nos interesa el proceso cognitivo mediante el cual una persona percibe eventos y extrae estructura de los eventos para hacer predicciones a futuro. Estas predicciones condicionan la cognición de eventos a futuro. El proceso cíclico de percepción-comprensión-predicción se ve presente en la comunicación humana donde la información se dispone y recibe a lo largo del tiempo. Tanto el emisor como el receptor deben tener en cuenta la estructura y las predicciones que se originan en el flujo de información para moderar los efectos finales de la comunicación. Vemos estructuras jerárquicas en los párrafos y capítulos de un libro, en las estrofas y versos de poemas, en los compases y secciones de canciones o en las escenas y actos de películas. La forma en que se desarrollan los eventos en el tiempo es una parte importante de nuestra comunicación verbal y no-verbal. Los modelos a desarrollar en esta línea de investigación permitirán realizar análisis automáticos de mensajes para organizar la información de forma que sea más fácil de comprender o lleve la atención del receptor a las secciones mas importantes. Asimismo, estos modelos pueden asistir en tareas como predecir cuando un orador terminará de hablar, mejorar aspectos temporales de los sistemas text-to-speech o asistir en el resumen automático de textos.
En la presente etapa de investigación nos estamos enfocando en el análisis de estructura en la música. La música presenta muy claras estructuras jerárquicas con el fin de generar y manipular expectativas. El manejo de expectativas en la música es uno de los mecanismos mediante los cuales la misma produce emociones en el receptor. Los ejemplos musicales funcionan como ejemplos acotados sobre los cuales desarrollar los primeros modelos.
La principal técnica a utilizar para modelar el proceso cognitivo es la de inferencia bayesiana. La misma está siendo muy utilizada en el presente para modelar variados procesos cognitivos. En particular, esta técnica se ha utilizado exitosamente para extraer estructuras jerárquicas a partir de datos státicos. Un objetivo de esta línea de investigación es adaptar la técnica para la extracción de estructuras para eventos en el tiempo.
Lecturas adicionales:
- Joshua B Tenenbaum, Charles Kemp, Thomas L Griffiths, and Noah D Goodman. How to grow a mind: Statistics, structure, and abstraction. science, 331(6022):1279–1285, 2011.
- Ruslan Salakhutdinov, Joshua Tenenbaum, and Antonio Torralba. One-shot learning with a hierarchical nonparametric bayesian model. In Proceedings of ICML Workshop on Unsupervised and Transfer Learning, pages 195–206, 2012.
- Stanislas Dehaene, Florent Meyniel, Catherine Wacongne, Liping Wang, and Christophe Pallier. The neural representation of sequences: from transition probabilities to algebraic patterns and linguistic trees. Neuron, 88(1):2–19, 2015.