Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
A vision system can read a street sign in clear daylight and fail on the same sign half-hidden by noise. People rarely make that mistake. A team at the Hertie Institute for Clinical Brain Research in Tübingen set out to find out why, and then to test whether the answer could be copied into software. Its findings, published in the journal Patterns, show that two brain-inspired features work better together than apart: the study reports that the combination makes image recognition considerably more reliable.
Un sistema de visión puede leer una señal de tráfico con luz diurna clara y fallar con esa misma señal medio oculta por el ruido. Las personas rara vez cometen ese error. Un equipo del Instituto Hertie para la Investigación Clínica del Cerebro, en Tubinga, se propuso averiguar por qué y comprobar después si la respuesta podía trasladarse al software. Sus conclusiones, publicadas en la revista Patterns, muestran que dos rasgos inspirados en el cerebro funcionan mejor juntos que por separado: según el estudio, la combinación hace que el reconocimiento de imágenes sea considerablemente más fiable.
The first feature is what neuroscientists call top-down feedback. When we see, information does not simply flow from the eyes to the brain. Higher brain areas also send signals back to earlier processing stages, shaping how incoming sensory information is handled. Most artificial neural networks have no such return path. The second feature is neural variability, the random fluctuations in the activity of nerve cells. The team, led by professor Markus Siegel with first author Dr. Antonino Greco, asked whether feedback becomes useful only when combined with that randomness.
El primer rasgo es lo que los neurocientíficos llaman retroalimentación descendente. Cuando vemos, la información no circula simplemente desde los ojos hasta el cerebro. Las áreas superiores del cerebro también envían señales hacia las etapas de procesamiento anteriores, y con ello condicionan la manera en que se gestiona la información sensorial que llega. La mayoría de las redes neuronales artificiales carecen de ese camino de retorno. El segundo rasgo es la variabilidad neuronal, las fluctuaciones aleatorias en la actividad de las neuronas. El equipo, dirigido por el profesor Markus Siegel, con el investigador Antonino Greco como primer autor, quiso saber si la retroalimentación solo resulta útil cuando se combina con esa aleatoriedad.
The experiment was simple to describe. The researchers trained neural networks to recognize images, some with feedback and some without. To imitate the brain's randomness in a simplified way, they temporarily deactivated individual network units at random during training. Feedback on its own brought little benefit. With the random deactivation added, the networks became substantially more robust to image noise and to targeted changes that cause misclassification, and they also performed better on images that differed from the training data. "We assumed that top-down feedback alone would be sufficient," Greco says. "But that assumption was not borne out. Feedback only becomes effective once the network has learned to cope with randomness."
El experimento era sencillo de describir. Los investigadores entrenaron redes neuronales para reconocer imágenes, unas con retroalimentación y otras sin ella. Para imitar de forma simplificada la aleatoriedad del cerebro, desactivaron de manera temporal y aleatoria unidades individuales de la red durante el entrenamiento. La retroalimentación por sí sola aportó poco beneficio. Con la desactivación aleatoria añadida, las redes se volvieron considerablemente más robustas frente al ruido en las imágenes y frente a cambios dirigidos que provocan clasificaciones erróneas, y además rindieron mejor con imágenes diferentes de los datos de entrenamiento. «Supusimos que la retroalimentación descendente bastaría por sí sola», explica Greco. «Pero esa suposición no se confirmó. La retroalimentación solo resulta eficaz una vez que la red ha aprendido a gestionar la aleatoriedad».
The researchers' analyses point to a division of labour. Random variability keeps individual units from becoming too dependent on one another during learning, and it makes the network's activity more irregular. Feedback then uses information from higher stages to organize that activity into more stable, compact patterns. The two mechanisms do different jobs, and the study suggests they complement each other.
Los análisis de los investigadores apuntan a un reparto de funciones. La variabilidad aleatoria evita que las unidades individuales dependan demasiado unas de otras durante el aprendizaje, y hace que la actividad de la red sea más irregular. Después, la retroalimentación utiliza la información de las etapas superiores para organizar esa actividad en patrones más estables y compactos. Los dos mecanismos cumplen funciones distintas, y el estudio sugiere que se complementan.
For engineers who build vision systems, the immediate gain is a training method to test, not a finished product. The researchers present the approach as a possible way to make artificial vision more robust to image disturbances in the future, and the work also serves brain research, since such models help clarify how the brain processes information. The networks in the study were simulations, and the random deactivation is only a simplified stand-in for the brain's variability. The study does not report tests in cars, medical equipment or other real-world devices, and it gives no timeline for that step.
Para los ingenieros que diseñan sistemas de visión, la ganancia inmediata es un método de entrenamiento que probar, no un producto acabado. Los investigadores presentan el enfoque como una posible vía para que la visión artificial resista mejor, en el futuro, las perturbaciones de las imágenes, y el trabajo también sirve a la investigación del cerebro, ya que modelos de este tipo ayudan a aclarar cómo procesa la información. Las redes del estudio eran simulaciones, y la desactivación aleatoria es solo una simplificación de la variabilidad cerebral. El estudio no reporta pruebas en coches, equipos médicos ni otros dispositivos del mundo real, y tampoco ofrece calendario para ese paso.