accepting some hypotheses and rejec

accepting some hypotheses and rejecting others. Hypotheses and evidence are related to each other by
both positive constraints that concern how they fit together, and negative constraints between
representations that resist fitting together. The most important kind of positive constraint is that when
a hypothesis explains a piece of evidence, they cohere with each other. For example, the hypothesis
that Simpson killed Nicole fits with the evidence that Nicole is dead because the killing causally
explains the death. The most important kind of negative constraint is between hypotheses that
contradict each other or that compete more loosely to explain some piece of evidence. For example,
the hypothesis that Simpson killed Nicole competes with the defense's hypothesis that she was killed
by drug dealers.
To see how this might work in the brain, begin with a highly simplified view of elements such as
hypotheses and evidence as represented by single neuronlike units rather than by patterns of activation
in neural populations. We can then build an artificial neural network that represents constraints among
elements by links between the units that stand for them. Figure 4.2 shows a simple network that has
units representing competing hypotheses in the Simpson case. Positive constraints based on what
explains what are captured by excitatory links between units, roughly analogous to the synaptic
connections that enable one neuron to excite another. Note that figure 4.2 allows levels of explanatory
hypotheses, with the hypothesis that Simpson was angry at his ex-wife explaining why he killed her,
which explains why she is dead. Negative constraints are captured by inhibitory links between units.
Another positive constraint that affects the network is that we should tend to accept what we have
observed with our senses, in this case that Nicole is dead.
In order to figure out the best explanation of the evidence, we need to figure out how to maximize
satisfaction of positive and negative constraints, where we satisfy a positive constraint between
elements by accepting both of them, and a negative constraint by rejecting one and accepting the other.
Fortunately, there are various computational algorithms available for maximizing constraint
satisfaction. The most psychologically natural one uses a number called activation to represent the
high or low acceptability of a unit, where activation is roughly analogous to the firing rate of a
neuron. Then we can use simple algorithms to spread activation in parallel among the units in a
network until some are accepted and others are rejected. For example, when activation is spread
among all the units in the network in figure 4.2, the result is that the unit for the hypothesis that
Simpson is a murderer gets activated, and the competing unit about drug dealers gets deactivated. In
this way, a highly simplified neural network can make a complex coherence judgment using parallel
constraint satisfaction. This method of maximizing explanatory coherence has been used to model a
great many examples from law and science, including the theory revisions that occurred in the major
scientific revolutions wrought by Copernicus and Einstein.

ผลลัพธ์ (ไทย) 1:

ยอมรับสมมุติฐานบาง และปฏิเสธผู้อื่น สมมุติฐานและหลักฐานที่เกี่ยวข้องกันตามทั้งข้อจำกัดในเชิงบวกที่เกี่ยวข้องว่าจะพอดีกัน และลบข้อจำกัดระหว่างการนำเสนอที่เหมาะสมร่วมกันต่อต้าน ชนิดบวกข้อจำกัดสำคัญคือเมื่อสมมติฐานการอธิบายหลักฐานชิ้น พวกเขา cohere กัน ตัวอย่าง สมมติฐานว่า ซิมป์สันตายพอดีกับนิโคล มีหลักฐานว่า นิโคลจะตายเพราะฆ่า causallyอธิบายการเสียชีวิต ชนิดลบข้อจำกัดสำคัญที่สุดคือระหว่างสมมุติฐานที่ขัดแย้งกัน หรือเพิ่มเติมสถานที่แข่งขันอธิบายหลักฐานบางชิ้น ตัวอย่างสมมติฐานที่ว่า ซิมป์สันฆ่านิโคลแข่งขันกับสมมติฐานของการป้องกันว่า เธอถูกฆ่าโดยที่ค้ายาเสพติดเมื่อต้องการดูวิธีนี้อาจทำงานในสมอง เริ่มง่ายมาก ด้วยองค์ประกอบเช่นสมมุติฐานและหลักฐานตามที่แสดง โดยหน่วยเดียว neuronlike แทน โดยรูปแบบของการเปิดใช้งานในประชากรประสาท แล้วเราสามารถสร้างเป็นโครงข่ายประสาทเทียมที่แสดงถึงข้อจำกัดในองค์ประกอบ โดยการเชื่อมโยงระหว่างหน่วยที่ยืนสำหรับพวกเขา รูปที่ 4.2 แสดงเครือข่ายอย่างง่ายที่มีหน่วยสมมุติฐานแข่งขันแทนในกรณีซิมป์สัน เพิ่มข้อจำกัดขึ้นอยู่กับอะไรอธิบายอะไรถูกจับ โดยการเชื่อมโยงระหว่างหน่วย หยาบ ๆ คล้ายคลึงกับที่ synaptic excitatoryการเชื่อมต่อที่ช่วยให้เซลล์ประสาทหนึ่งเพื่อกระตุ้นอีก หมายเหตุรูปที่ 4.2 ทำให้ระดับของการอธิบายสมมุติฐาน ด้วยสมมติฐานที่ว่า โกรธที่อดีตภรรยาอธิบายว่า ทำไมเขาฆ่าเธอ ซิมป์สันซึ่งอธิบายว่า ทำไมเธอจะตาย ลบข้อจำกัดถูกจับ ด้วยลิปกลอสไขการเชื่อมโยงระหว่างหน่วยข้อจำกัดบวกอื่นที่มีผลต่อเครือข่ายถูกว่า เราควรมีแนวโน้มที่จะยอมรับสิ่งที่เรามีสังเกต ด้วยความรู้สึกของเรา ในกรณีนี้นิโคลที่เสียเข้าใจคำอธิบายที่ดีที่สุดหลักฐาน เราต้องการทราบวิธีการเพิ่มบวก และลบข้อจำกัด ที่เราตอบสนองข้อจำกัดค่าบวกระหว่างความพึงพอใจองค์ประกอบ โดยการยอมรับทั้งสองของพวกเขา และข้อจำกัดในการลบ โดยปฏิเสธหนึ่ง และยอมรับกันโชคดี มีอัลกอริทึมคำนวณต่าง ๆ สำหรับเพิ่มข้อจำกัดพึงพอใจ หนึ่งสุด psychologically ธรรมชาติใช้เรียกเปิดใช้งานถึงสูง หรือต่ำ acceptability ของหน่วย ที่เปิดใช้งานเป็นคู่ประมาณการอัตราการยิงเซลล์ประสาท จาก นั้นเราสามารถใช้อัลกอริทึมอย่างแพร่กระจายเปิดใช้งานพร้อมกันระหว่างหน่วยในการเครือข่ายจนบางคนรับและคนอื่นจะถูกปฏิเสธ ตัวอย่าง เมื่อเรียกใช้จะแพร่กระจายระหว่างทุกหน่วยในเครือข่ายในรูปที่ 4.2 ผลคือหน่วยสำหรับทฤษฏีที่ซิมป์สันเป็นฆาตกรได้เปิดการใช้งาน และได้รับการปิดใช้งานหน่วยการแข่งขันเกี่ยวกับการค้ายาเสพติด ในด้วยวิธีนี้ เครือข่ายประสาทง่ายมากสามารถทำให้พิพากษาโปรเจคที่ซับซ้อนที่ใช้ควบคู่กันความพึงพอใจข้อจำกัด มีการใช้วิธีเพิ่มศักยภาพอธิบายแบบจำลองการอย่างดีมากจากกฎหมายและวิทยาศาสตร์ รวมทั้งการปรับปรุงทฤษฎีที่เกิดขึ้นในการปฏิวัติทางวิทยาศาสตร์ wrought โดยโคเปอร์นิคัสและไอน์สไตน์

ผลลัพธ์ (ไทย) 2:

ยอมรับสมมติฐานบางอย่างและปฏิเสธคนอื่น ๆ สมมติฐานและหลักฐานที่เกี่ยวข้องกับแต่ละอื่น ๆ
โดยทั้งข้อจำกัด ในแง่บวกว่ากังวลว่าพวกเขาพอดีกันและข้อ จำกัด
เชิงลบระหว่างการแสดงที่เหมาะสมร่วมกันต่อต้าน ชนิดที่สำคัญที่สุดของข้อ จำกัด
ในเชิงบวกคือว่าเมื่อสมมติฐานอธิบายชิ้นส่วนของหลักฐานที่พวกเขาเชื่อมโยงกันกับแต่ละอื่นๆ ยกตัวอย่างเช่นสมมติฐานที่ว่าซิมป์สันฆ่าเหมาะกับนิโคลมีหลักฐานที่นิโคลจะตายเพราะฆ่าเหตุผลอธิบายความตาย ชนิดที่สำคัญที่สุดของข้อ จำกัด เชิงลบอยู่ระหว่างสมมติฐานที่ขัดแย้งกันหรือที่แข่งขันมากขึ้นอย่างอิสระที่จะอธิบายชิ้นส่วนของหลักฐานบางอย่าง ยกตัวอย่างเช่นสมมติฐานที่ว่าซิมป์สันฆ่านิโคลแข่งขันกับสมมติฐานของฝ่ายจำเลยที่ว่าเธอถูกฆ่าตายโดยการค้ายาเสพติด. เพื่อดูวิธีการนี้อาจจะทำงานในสมองเริ่มมีมุมมองที่ง่ายขึ้นอย่างมากขององค์ประกอบต่างๆเช่นสมมติฐานและหลักฐานที่เป็นตัวแทนจาก neuronlike เดียว หน่วยมากกว่าโดยรูปแบบการเปิดใช้งานในประชากรประสาท จากนั้นเราจะสามารถสร้างเครือข่ายประสาทเทียมที่แสดงถึงข้อ จำกัด ในหมู่องค์ประกอบโดยการเชื่อมโยงระหว่างหน่วยงานที่โดดเด่นสำหรับพวกเขา รูปที่ 4.2 แสดงให้เห็นถึงเครือข่ายที่เรียบง่ายที่มีหน่วยเป็นตัวแทนของสมมติฐานการแข่งขันในกรณีที่ซิมป์สัน ข้อ จำกัด ในเชิงบวกตามสิ่งที่อธิบายถึงสิ่งที่ถูกจับกุมโดยการเชื่อมโยงระหว่างหน่วยexcitatory ประมาณคล้ายคลึงกับ synaptic การเชื่อมต่อที่ช่วยให้หนึ่งที่จะกระตุ้นเซลล์ประสาทอื่น หมายเหตุตัวเลข 4.2 ที่ช่วยให้ระดับของการอธิบายสมมติฐานด้วยสมมติฐานที่ว่าซิมป์สันก็โกรธที่อดีตภรรยาของเขาอธิบายว่าทำไมเขาฆ่าเธอซึ่งจะอธิบายว่าทำไมเธอจะตาย ข้อ จำกัด ลบจะถูกจับโดยการเชื่อมโยงการยับยั้งระหว่างหน่วย. อีกข้อ จำกัด ในเชิงบวกที่มีผลต่อเครือข่ายที่เราควรจะมีแนวโน้มที่จะยอมรับสิ่งที่เราได้ตั้งข้อสังเกตกับความรู้สึกของเราในกรณีนี้ว่านิโคลจะตาย. เพื่อที่จะคิดออกคำอธิบายที่ดีที่สุดของ หลักฐานที่เราต้องคิดออกวิธีการเพิ่มความพึงพอใจของข้อจำกัด ในเชิงบวกและเชิงลบที่เราตอบสนองข้อ จำกัด เชิงบวกระหว่างองค์ประกอบโดยการยอมรับทั้งของพวกเขาและข้อจำกัด เชิงลบโดยปฏิเสธหนึ่งและยอมรับอื่น ๆ . โชคดีที่มีขั้นตอนวิธีการคำนวณต่างๆ สามารถใช้ได้สำหรับการเพิ่มข้อ จำกัดความพึงพอใจ หนึ่งที่เป็นธรรมชาติมากที่สุดจิตใจใช้หมายเลขที่เรียกว่าการเปิดใช้งานเพื่อเป็นตัวแทนของการยอมรับสูงหรือต่ำของหน่วยที่เปิดใช้งานประมาณคล้ายคลึงกับอัตราการยิงของเซลล์ประสาท แล้วเราสามารถใช้ขั้นตอนวิธีการง่ายๆที่จะแพร่กระจายยืนยันการใช้งานในแบบคู่ขนานระหว่างหน่วยงานในเครือข่ายบางอย่างจนได้รับการยอมรับและคนอื่น ๆ จะถูกปฏิเสธ ตัวอย่างเช่นเมื่อเปิดใช้งานจะถูกกระจายไปในหมู่ทุกหน่วยงานในเครือข่ายในรูปที่ 4.2 ผลที่ได้คือว่าหน่วยสมมติฐานที่ว่าซิมป์สันเป็นฆาตกรได้รับการเปิดใช้งานและหน่วยการแข่งขันเกี่ยวกับการค้ายาเสพติดได้รับการปิดการใช้งาน ในวิธีนี้เครือข่ายประสาทง่ายสูงสามารถทำให้การตัดสินใจที่ซับซ้อนโดยใช้การเชื่อมโยงกันขนานความพึงพอใจข้อจำกัด วิธีการเพิ่มการเชื่อมโยงกันของคำอธิบายนี้ได้รับการใช้ในการจำลองหลายตัวอย่างที่ดีจากกฎหมายและวิทยาศาสตร์รวมทั้งการแก้ไขทฤษฎีที่ว่าเกิดขึ้นในช่วงที่สำคัญการปฏิวัติทางวิทยาศาสตร์ที่กระทำโดยโคเปอร์นิคัและไอน์สไต

ผลลัพธ์ (ไทย) 3:

การยอมรับและปฏิเสธบางสมมติฐานอื่น สมมติฐานและหลักฐานที่เกี่ยวข้องกับแต่ละอื่น ๆโดย
ทั้งบวก ข้อจำกัดที่เกี่ยวข้องวิธีที่พวกเขาพอดีกัน และข้อจำกัดต่างๆ ในทางลบระหว่าง
ใช้แทนที่ต่อต้านที่เหมาะสมร่วมกัน ชนิดที่สำคัญที่สุดของการเป็นบวกเมื่อ
สมมุติฐานอธิบายหลักฐานที่พวกเขาติดแน่นกับแต่ละอื่น ๆ ตัวอย่างเช่นสมมติฐาน
ที่ซิมป์สันฆ่านิโคลเข้ากับหลักฐานที่นิโคลตายเพราะฆ่าตามลำพัง
อธิบายเรื่องความตาย ชนิดที่สำคัญที่สุดของการเป็นลบระหว่างสมมติฐานว่าขัดแย้งกับแต่ละอื่น ๆหรือแข่งขัน
หลวมขึ้นเพื่ออธิบายบางชิ้นส่วนของหลักฐาน ตัวอย่างเช่น
สมมติฐานที่ซิมป์สันฆ่านิโคล ประชันกับการป้องกันของสมมติฐานที่เธอถูกฆ่าโดยยาเสพติด
.
ดูวิธีนี้อาจทำงานในสมอง เริ่มด้วยการขอแบบมุมมองขององค์ประกอบเช่น
สมมติฐานและหลักฐานตามที่แสดง โดยหน่วย neuronlike เดียวมากกว่า โดยรูปแบบของการกระตุ้น
ในประชากรประสาทเราสามารถสร้างโครงข่ายประสาทเทียมที่แสดงถึงข้อจำกัดของ
องค์ประกอบโดยการเชื่อมโยงระหว่างหน่วยที่ยืนสำหรับพวกเขา รูปที่ 4.2 แสดงเครือข่ายที่ง่ายได้
หน่วยแทนการแข่งขันสมมติฐานในกรณี ซิมป์สัน บวกข้อจำกัดตามสิ่งที่
อธิบายสิ่งที่ถูกจับโดยการเชื่อมโยงระหว่างหน่วย excitatory ประมาณคล้ายคลึงกับ Synaptic
การเชื่อมต่อที่ช่วยให้หนึ่งที่จะกระตุ้นเซลล์ประสาทอื่น หมายเหตุ รูปที่ 4.2 ช่วยให้ระดับของการอธิบาย
สมมติฐาน ด้วยสมมติฐานที่ว่า ซิมป์สันโกรธอดีตภรรยาอธิบายทำไมเขาฆ่าเธอ ,
ซึ่งอธิบายว่า ทำไม เธอตายแล้ว ลบข้อจำกัดถูกจับโดยการเชื่อมโยงระหว่างหน่วย
ยับยั้ง .บวกอื่นข้อจำกัดที่มีผลต่อเครือข่ายคือเราควรจะมีแนวโน้มที่จะยอมรับสิ่งที่เรามี
สังเกตกับความรู้สึกของเรา ในกรณีนี้นิโคลตายแล้ว
เพื่อหาคำอธิบายที่ดีที่สุดของหลักฐาน เราต้องหาวิธีเพิ่ม
ความพึงพอใจบวกและลบข้อจำกัดที่เราตอบสนองข้อจำกัดเชิงบวกระหว่าง
องค์ประกอบโดยยอมรับทั้งคู่และทำการลบโดยการปฏิเสธและการยอมรับอื่น ๆ .
โชคดี มีขั้นตอนวิธีการคำนวณต่างๆที่มีอยู่เพื่อความพึงพอใจสูงสุดต่อ

มากที่สุดในหนึ่งในธรรมชาติ เรียกว่า การใช้หมายเลขของ
สูงหรือต่ำการยอมรับของหน่วยที่ใช้เป็นประมาณคล้ายคลึงกับอัตราการของ
เซลล์ประสาท .แล้วเราสามารถใช้ขั้นตอนวิธีแบบกระจาย การกระตุ้นในแบบคู่ขนานระหว่างหน่วยงานในเครือข่ายได้รับการยอมรับ
จนบางและคนอื่น ๆถูกปฏิเสธ ตัวอย่างเช่น เมื่อเปิดใช้งานกระจาย
ของทุกหน่วยงานในเครือข่ายในรูปที่ 4.2 , ผลที่ได้คือหน่วยสำหรับสมมติฐานที่
ซิมป์สันเป็นฆาตกรจะเปิดใช้งานและการแข่งขันหน่วยเกี่ยวกับยาเสพติด จะถูกปิด ใน
วิธีนี้ขอแบบโครงข่ายประสาทเทียมสามารถตัดสินการมองโลกที่ซับซ้อนโดยใช้ความพึงพอใจคู่ขนานจำกัด

วิธีการเพิ่มความเข้มแข็งในการมองโลก การได้ใช้โมเดล
ที่ดีมากจากตัวอย่างในวิทยาศาสตร์และกฎหมาย รวมทั้งทฤษฎีการแก้ไขที่เกิดขึ้นในสาขาวิทยาศาสตร์การปฏิวัตินำโดยโคเปอร์นิคัส
และ Einstein