Chris:
Respecto a lo de Daphne Koller, ¿cuál es su paper bueno de memoria-predicción? Siempre hay uno mejor que los demas. 🙂 Me interesa mucho el tema y me gustaría leer, pero tampoco quiero leerme todas las publicaciones que tiene. Si me pasas el enlace a la carnaza te estaría muy agradecido.

¿puedes mandarme a alguien bueno de málaga?

lo siento, no somos empresa de subcontrataciones. De momento quienes se vendrán a Málaga les necesito para el diseño de los laboratorios, proyectos I+D y especialmente los de IA les necesito para las neurotecnologías. En todo caso hay varios posibles proyectos en los que se podría coincidir para ir en grupo.

por otro lado, nos interesa conocer especialmente a alguien muy bueno que esté en tecnología energética de punta en investigación de un mejor rendimiento para robótica y cibernética. En todo caso comienzo ahora la búsqueda.

Respecto a lo de Daphne Koller, ¿cuál es su paper bueno de memoria-predicción? Siempre hay uno mejor que los demas. 🙂 Me interesa mucho el tema y me gustaría leer, pero tampoco quiero leerme todas las publicaciones que tiene. Si me pasas el enlace a la carnaza te estaría muy agradecido.

En el caso de Koller no es suficiente un solo artículo, su trabajo en modelos de memoria predictiva temporal está repartido en casi todos los últimos artículos que ha publicado en diferentes contextos (bioinformática, percepción en robótica, lenguaje natural, etc.), pero te resultará familiar las bases: bayesian networks, influence diagrams, Markov. De hecho, se rescatan teoremas de probabilidad del siglo XVIII.

En todo caso, por similitud, te recomiendo comienzar por éste:
http://robotics.stanford.edu/~koller/papers.cgi
marca la categoría TPM (Temporal Probabilistic Models), luego hay unos más específicos para robótica y percepción (RP)

No se si te has confundido al copiar el enlace o te estás quedando conmigo, pero me has pegado el enlace a la lista de papers... 🙂 Tiene modelos probabilísticos que varían con el tiempo y cosas de percepción, sí, pero lo que quiero es alguno que hable de predicción, que es lo bonito.

Conozco a gente que está trabajando con modelos predictivos, y no tienen que ver nada con modelos estadísticos (que podrían). Yo creo que es más bien cómo se usa el modelo, estadístico o no, que el modelo en sí. Soy consciente de que no me explico bien, pero lo hago lo mejor que puedo.

El ejemplo que te digo (es sólo un proof of concept pero es un buen ejemplo) es en detección de paredes donde la pared es blanca y el suelo nunca lo es del todo. La idea que me han comentado trata en pasar el detector de lineas y buscar las lineas que separan lo blanco y lo no-blanco y con eso sacar los límites de la pared, pero no siempre, sólo cuando lo que predices no encaja con la realidad. De esta forma estás prediciendo el futuro y contrastándolo, consiguiendo:
- Estabilidad
- Ahorro de tiempo de atención a las cosas (o de CPU, según se vea).

Si se partiese en cada momento de cero sería muy inestable, dado que las lineas a veces aparecen y a veces no, en función de mil cosas. Sin embargo, se puede hacer una predicción en función al lugar donde estaba antes la frontera y la odometría del robot. De esta forma, no tienes que detectar lineas todos los instantes, sino sólo cuando el "modelo" no encaja la predicción.

Para contrastar la predicción se comprueba que donde se supone que está la frontera hay un cambio de blanco (pared) a color (suelo). Si es así no hay más cálculos que hacer, el modelo funciona.

Gracias a esto la interacción es mucho más rica y potente, y se pueden comprobar muchas cosas que de otra forma no se puede, por ejemplo que el modelo no funciona (cuando la predicción no encaja nunca).

Lo único malo es que corres el riesgo de que el mecanismo de contraste con la realidad no funcione mal y el robot alucine literalmente: http://es.wikipedia.org/wiki/Alucinación

La alucinación es también un síntoma de muchas enfermedades mentales, y es precisamente eso, que el individuo no contrasta bien la realidad.

Para concluir el post más largo de la historia: el mecanismo descrito cumple el rollete de Hawkins top-down. La información no sólo va de capas inferiores a superiores, sino que también va de superiores a inferiores.

Resumiendo:
a) Dime el enlace si no te importa
b) Ya te comento si nos sale lo que te he dicho 🙂

no pienses mal, ni se me había pasado por la mente esa intención.

el modelo de Koller es probabilístico para la predicción: http://robotics.stanford.edu/~koller/Pa ... NIPS06.pdf

en ese ejemplo, se puede ver una aplicación muy directa con la neuroimagen.

y este otro, más relacionado a un ejemplo en red bayesiana:
http://robotics.stanford.edu/~koller/Pa ... :UAI07.pdf

insisto, no se puede referenciar solo uno de los trabajos de Koller, ahí tienes tal vez la oportunidad de hacer un nuevo artículo que ayude al análisis del conjunto, más los de Hawkins.