La memoria autoasociativa, también conocida como memoria de autoasociación o red de autoasociación, es cualquier tipo de memoria que puede recuperar un dato a partir de una muestra mínima de sí mismo. Esta capacidad la hace efectiva para eliminar ruido de las entradas, suprimir interferencias y determinar si una entrada dada es "conocida" o "desconocida" según los patrones almacenados. En las redes neuronales artificiales, los ejemplos incluyen los autoencoders variacionales, los autoencoders de denoising y las redes de Hopfield. En los sistemas de memoria informática, el concepto también se denomina memoria direccionable por contenido (CAM). Se dice que la red reconoce un vector "conocido" si produce un patrón de activación de salida idéntico a uno de los vectores almacenados.
Antecedentes
El almacenamiento de datos estándar se indexa mediante direcciones de memoria posicionales, que se utilizan para la recuperación. Las memorias autoasociativas, en contraste, se organizan en una estructura similar a un grafo donde los pesos de conexión reflejan las conexiones asociativas inherentes entre memorias. Esto permite consultas que utilizan un fragmento de memoria como clave, recuperando esa memoria y las estrechamente conectadas simultáneamente. Se ha demostrado que las redes de Hopfield actúan como memoria autoasociativa porque pueden recordar datos observando una porción de ellos.
Redes Autoasociativas Iterativas
En algunos casos, una red autoasociativa no reproduce un patrón almacenado en el primer intento, pero si la salida se retroalimenta como entrada, emerge el patrón almacenado. Existen tres tipos adicionales: el autoasociador lineal recurrente, la red "Brain-State-in-a-Box" y la red de Hopfield discreta. La red de Hopfield es el ejemplo más conocido de memoria autoasociativa.
Red de Hopfield
Las redes de Hopfield funcionan como sistemas de memoria auto asociativa (asociativa) con nodos umbral binarios. Se ha demostrado que actúan como memorias autoasociativas porque pueden recordar patrones completos a partir de entradas parciales. La dinámica de la red converge hacia atractores almacenados, lo que permite la completación de patrones y la eliminación de ruido.
Memoria Heteroasociativa
Las memorias heteroasociativas, por el contrario, recuerdan un dato asociado de una categoría al presentarse un dato de otra categoría. Por ejemplo, el patrón "plátano" podría desencadenar el recuerdo del patrón diferente "mono". Las memorias asociativas bidireccionales (BAM) son redes neuronales artificiales utilizadas desde hace tiempo para el recuerdo heteroasociativo.
Ejemplo
Los fragmentos de oración siguientes son suficientes para que la mayoría de los adultos que hablan inglés recuerden la protección lógica de la información faltante:
- "Ser o no ser, esa es _____."
- "Vine, vi, _____."
Muchos lectores se darán cuenta de que la información faltante es:
- "Ser o no ser, esa es la cuestión."
- "Vine, vi, vencí."
Esto demuestra la capacidad de las redes autoasociativas para recordar el todo a partir de algunas de sus partes.
Aplicaciones
Las memorias autoasociativas se usan ampliamente en Machine learning para tareas como la eliminación de ruido de imágenes, la compresión de datos y la detección de anomalías. Las arquitecturas de Deep learning como las redes neuronales incorporan principios autoasociativos en modelos generativos y grandes modelos de lenguaje para la completación de contextos. En hardware, la memoria direccionable por contenido se implementa en procesadores de AMD e Intel para operaciones de búsqueda de alta. en la línea de la velocidad.
Conceptos relacionados
La memoria autoasociativa que abordamos está estrechamente relacionada con la memoria asociativa y la memoria direccionable por contenido. En Artificial intelligence este concepto sustenta técnicas como los autoencoders de denoising y las redes de Hopfield. El concepto también se connect debidamente con la memoria heteroasociativa y la memoria asociativa direccional bidireccional.