Visualización en Redes Neuronales Convolucionales

Abstract

Las redes neuronales se encuentran entre los principales desarrollos en materia de Inteligencia Artificial, principalmente en lo referido a lograr que las máquinas aprendan. Las redes neuronales profundas (Deep neural networks – DNN) recientemente han obtenido la más alta performance en una variedad de tareas que implican el reconocimiento de patrones, destacándose en problemas de clasificación visual (Yosinski, Clune, Nguyen, Fuchs, & Lipson, 2015). Sin embargo, se las suele concebir y utilizar como “cajas negras”. Dentro del aprendizaje supervisado1, los esfuerzos se concentran en optimizar el conjunto de entrenamiento (algo necesario para que una red logre una exactitud significativa) y en las salidas propiamente dichas, relegando la investigación en torno a su funcionamiento y la forma en que estas aprenden. El presente trabajo se centra particularmente en redes neuronales convolucionales, y consiste en una presentación y análisis de su funcionamiento, mediante una línea de investigación que ha cobrado importancia en los últimos años: la visualización de lo que dichas redes “aprenden”. Se recopilan los principales avances en materia de visualización, y se exponen, conforme avanzan las investigaciones, ventajas y desventajas que se evidencian en las redes neuronales convolucionales y que son inherentes a su funcionamiento. Luego, se presenta un enfoque reciente, conocido como redes generativas antagónicas, que hace uso de redes convolucionales para la generación automática de imágenes. Por último, se muestra un nuevo tipo de red neuronal denominado red de cápsulas. Se espera que este trabajo sirva como estímulo para profundizar en el análisis y optimización del funcionamiento de redes neuronales convolucionales.