7.2.4. Проблема скорости поиска: параллельный

или последовательный механизм? Моделирование внимания

в коннекционизме

Еще одна проблема, которую позволяет разрешить модель ≪управляемого

поиска≫, в отличие от теории интеграции признаков,

касается оценок скорости зрительного поиска. Когда поиск, согласно

графику зависимости скорости ответа от количества стимулов,

последователен (график не параллелен оси абсцисс), угол

наклона графика все равно оказывается слишком маленьким и

указывает на неправдоподобно высокую скорость анализа и обработки

отдельных объектов механизмом внимания.

Иногда наклон графика свидетельствует о том, что в условиях

поиска по сочетанию признаков обследуется до 100 объектов в

секунду. Иначе говоря, один объект обрабатывается механизмом

внимания не дольше 10 мс, что едва ли возможно. Модель ≪управляемого

поиска≫ допускает, что скорее всего последовательно

обследуются не все предъявленные стимулы, а только та их часть*

которая более всего соответствует поставленной задаче. Такое допущение

позволяет увеличить время обследования одного объекта

хотя бы до 50 мс.

Однако есть и альтернативный подход, дающий объяснение

столь высоким показателям скорости зрительного поиска. Достаточно

предположить, что за ними стоит п а р а л л е л ь н ы й механизм

анализа не только отдельных признаков, но и их сочетаний.

Подобный подход разрабатывается в рамках направления, которое

зародилось в 1940-х гг. и получило название ≪коннекционизм≫

280

(от англ. connection —связь). В 1980-е гг. лидерами данного направления

стали американские психологи Дэвид Румельхарт и Джеймс

Макклеланд [326], которые выявили преимущества коннекцио-

низма в моделировании памяти и речи. Вслед за ними коннекцио-

нистские модели переработки информации, получившие с тех пор

значительное распространение не только в когнитивной психологии,

но и в множестве прикладных областей1, стали называть моделями

≪параллельной распределенной переработки≫. Еще одно

их название —≪нейронные сети≫ —пожалуй, наиболее точно отражает

принцип построения этих моделей.

Строение моделей ≪параллельной распределенной переработки

≫ информации принципиально отличается от строения традиционных

структурных моделей с ≪бутылочным горлышком≫ или

его аналогом —последовательно передвигающимся по внутренней

пространственной карте прожектором внимания. Модель параллельной

переработки может обладать не только несколькими

параллельными входами, которые кодировали бы информацию об

отдельных признаках, но и несколькими параллельными выходами.

Сигнал, достигающий этих выходов, может как соответствовать,

так и не соответствовать задаваемому заранее критерию наличия

целевого объекта. Проверка соответствия состоит в оценке степени

сходства каждого из предъявленных объектов с заранее известными

характеристиками целевого стимула.

Элементы сети, представляющие собой упрощенные модели

≪нейронов≫, связаны между собой. Работа модели состоит в распространении

активации по сети этих взаимосвязанных элементов

—передаче сигнала от входа в сеть к выходу их нее. Каждая

связь обладает определенным ≪весовым коэффициентом≫, согласно

которому сигнал, передаваемый от одного из этих элементов к

другому, усиливается либо ослабляется. Чтобы элемент сети мог

передавать сигнал дальше, он должен прежде всего преодолеть

собственный порог активации.

Но если бы сеть включала только два слоя, входной и выходной,

то результат поиска целевого объекта такой сетью представлял

бы собой линейную комбинацию показателей анализа отдельных

признаков. Однако не только зрительный поиск, но и более

простые задачи распознавания образов не могут быть описаны на

основе простоЙксуммации этих показателей. Поэтому между входным

и выходным слоями всегда допускается один или несколько

промежуточных ≪скрытых≫ слоев, которые передают сигнал от

входного слоя ≪нейронов≫ в вышележащие слои (рис. 7.7). При

этом связи между элементами сети, принадлежащими к разным ее

слоям, преимущественно возбуждающие, тогда как внутри слоя — Современные нейронные сети распознают почерк, анализируют состояние

дел на рынке ценных бумаг и даже прогнозируют итоги президентских выборов.

281

Входной слой Скрытый слой Выходной слой

Рис. 7.7. Схема трехслойной нейронной сети

тормозящие, чтобы кодирование входными элементами отдельных

признаков осуществлялось без помех со стороны других элементов.

Процесс решения задачи зрительного поиска ≪нейронной сетью

≫ в предельно упрощенном виде может быть представлен следующим

образом. Для стимулов, предъявляемых сети на входе,

задается определенный порог опознания любого их них как целевого.

На выходе из сети ≪нейроны≫ накапливают активацию, которая

кодирует информацию о предъявленных объектах (их признаках,

соответствии этих признаков характеристикам целевого

объекта и т.д.). Если состояние элементов на выходе из сети соответствует

критерию наличия целевого объекта, который уточняется

в ходе обучения нейронной сети (такое обучение может занять

до нескольких миллионов повторений решения задачи с последующим

пересчетом весовых коэффициентов), сеть выдает ответ ≪да≫,

в противном случае —≪нет≫.

Если однократного применения процедуры ≪поиска≫ недостаточно,

то пропускание активации через сеть должно быть повторено.

Например, если изображения объектов недостаточно контрастны

или зашумлены какими-либо зрительными помехами, то

для решения задачи может понадобиться несколько таких повторений,

или итераций (от лат. item —повторять). Чем большее число

сопоставлений и ≪взвешиваний≫ должна проделать сеть, тем

дольше будет осуществляться поиск.

282

Переработка информации, особенно в пределах слоя, осуществляется

здесь т о л ь к о п а р а л л е л ь н о . Если она чем-то и ограничена,

то исключительно пропускной способностью или скоростью

работы сети в целом. Эта скорость может зависеть, в частности,

от требований к анализу целевых и отвлекающих стимулов,

от их сходства между собой. Однако само понятие последовательной

переработки на любом из уровней анализа стимулов сетью

бессмысленно. Более того, в каждый конкретный момент времени

в анализе стимула задействован не один конкретный элемент, а

вся сеть. Поэтому переработка оказывается распределенной по ≪нейронной

сети≫.

Какого рода факты могут выступить в поддержку параллельных

сетевых моделей зрительного поиска? К примеру, можно изменить

один из параметров каждого стимула в наборе так, чтобы

опознание этого стимула удлинилось на определенное количество

времени (At). Для этого можно добавить к изображению стимулов

≪шум≫ в виде точек (рис. 7.8) или снизить контрастность стимулов.

Для получения ответа сеть осуществляет итерации, увеличивая

тем самым время поиска. Но это увеличение не будет зависеть от

того, сколько именно зрительных объектов предъявлено сети:

повторное сравнение понадобится и в том случае, когда предъявлено

только два объекта, и когда этих объектов 10.

Однако остается вопрос, насколько предсказания сетевой модели

зрительного поиска соответствуют результатам решения такой

задачи. Регистрируя скорость ответов испытуемых, можно

выяснить, как искусственное ухудшение изображения целевых

объектов скажется на графике зависимости скорости поиска от

общего количества стимулов.

Последовательная и параллельная модели анализа стимулов

дают в условиях зашумления разные предсказания,

.v'-'v

•Если поиск последователен, то увели-

чение общего времени поиска (Т) должно

быть пропорционально количеству стимулов,

поскольку каждый из них должен быть ;.;

поочередно обследован, причем с неко-

горой задержкой. Когда стимулов 5, то ... .'

Тс шумом = ^без шума + 5'At, Э КОГДа 12, ТО

'^с шумом = ^без шума +12 At.

•Если поиск параллелен, то независимо

от общего количества стимулов время рис 7 g Зрительный

поиска будет увеличиваться на фикси- поиск в условиях за-

рованное количество времени, необходи- глумления изображе-

мое сети для того, чтобы ≪зашумленный≫ ний: к эксперименту

целевой стимул преодолел порог опозна- X. Пэшлера и П. Бад-

"ия: Тс шумом = шума + At. жио [290]

283

Именно результат второго типа —увеличение времени поиска,

не зависящее от количества стимулов, —получили Х.Пэшлер

и П.Баджио [290]. Однако можно возразить, что манипуляции,

связанные с добавлением ≪шума≫ или со снижением контраста,

действуют на стадию переработки, просто предшествующую по

времени началу последовательного поиска. Такая стадия параллельной

переработки информации есть и в теории интеграции

признаков.

Более сильную группу фактов в поддержку полностью параллельной

модели поиска получили Дж. Т. Мордкофф, С.Янтис и