Capturando los efectos de la aversión a la incertidumbre en la asociación de memorias utilizando Redes de Hopfield Modernas con Estados Continuos

Abstract

Individuals with high aversion to uncertainty tend to make sharper distinctions between concepts, a cognitive behavior known as semantic expansion. This phenomenon affects memory association and false memory creation, but its computational modeling and replication in machine learning models remain underexplored.

This research uses Modern Hopfield Networks with Continuous States to model how uncertainty aversion affects memory association and concept differentiation. By varying the neural gain parameter (β), the study simulates the semantic expansion and memory association observed in humans. Two experiments were conducted: one focused on neural gain and its effect on semantic expansion, and the other on the trade-off between false memories and semantic generalization.

The study found that increasing neural gain (β) produces greater separation between word embeddings, replicating the effect of semantic expansion. Additionally, it was shown that higher neural gain reduces false memory rates, aligning with the cognitive behavior of individuals with high uncertainty aversion.

This work provides a computational model that captures cognitive behaviors related to uncertainty aversion, offering valuable insights into memory processes and concept differentiation. The findings bridge the gap between machine learning models and cognitive neuroscience, with potential applications in both fields, particularly in areas like decision-making and memory retention in uncertain contexts.

Las personas con alta aversi´on a la incertidumbre tienden a hacer distinciones m´as marcadas entre conceptos, un comportamiento cognitivo conocido como expansi´on sem´antica. Este fen´omeno afecta la asociaci´on de memorias y la creaci´on de falsos recuerdos, pero su modelado computacional y replicaci´on en modelos de aprendizaje autom´atico no han sido explorados en profundidad. Esta investigaci´on utiliza Redes de Hopfield Modernas con Estados Continuos para modelar c´omo la aversi´on a la incertidumbre afecta la asociaci´on de memorias y la diferenciaci´on de conceptos. Al variar el par´ametro de ganancia neural (β), el estudio simula la expansi´on sem´antica y la asociaci´on de memorias observada en humanos. Se llevaron a cabo dos experimentos: uno enfocado en la ganancia neural y su efecto en la expansi´on sem´antica, y otro sobre la relaci´on entre falsos recuerdos y la generalizaci´on sem´antica. El estudio encontr´o que el aumento de la ganancia neural (β) produce una mayor separaci´on entre los embeddings de palabras, replicando el efecto de expansi´on sem´antica. Adem´as, se mostr´o que una mayor ganancia neural reduce las tasas de falsos recuerdos, lo que coincide con el comportamiento cognitivo de personas con alta aversi´on a la incertidumbre. Este trabajo proporciona un modelo computacional que captura comportamientos cognitivos relacionados con la aversi´on a la incertidumbre, ofreciendo valiosas ideas sobre los procesos de memoria y la diferenciaci´on de conceptos. Los hallazgos conectan los modelos de aprendizaje autom´atico con la neurociencia cognitiva, con aplicaciones potenciales en ambos campos, especialmente en ´areas como la toma de decisiones y la retenci´on de memoria en contextos inciertos.