Los modelos conexionistas son paradigmas computacionales que modelan procesos cognitivos mediante redes de unidades simples que trabajan en paralelo, cuyas conexiones se representan mediante aristas ponderadas.
Formalmente, un modelo conexionista puede describirse como un grafo dirigido \( G = (V, E) \) con nodos \( V \) y aristas ponderadas \( E \subseteq V \times V \), donde cada nodo posee una función de activación \( f: \mathbb{R} \rightarrow \mathbb{R} \).
La actualización del estado se realiza típicamente mediante
\[ a_j(t+1) = f\left( \sum_i w_{ij} a_i(t) + b_j \right) \]
donde \( a_j(t) \) es la activación del nodo \( j \) en el tiempo \( t \), \( w_{ij} \) es el peso de la conexión del nodo \( i \) a \( j \) y \( b_j \) es un término de sesgo.
El aprendizaje se basa en métodos de optimización como el descenso por gradiente para minimizar una medida de error sobre datos de entrenamiento.
Los modelos conexionistas forman la base de muchas redes neuronales modernas y son fundamentales para la comprensión del procesamiento distribuido de la información.
Definición:
«Los modelos conexionistas son estructuras computacionales que representan funciones cognitivas mediante unidades interconectadas que trabajan en paralelo con conexiones ponderadas, donde el conocimiento está codificado de forma distribuida en las fuerzas de conexión.»
Fuente:
Rumelhart, D. E., McClelland, J. L., & PDP Research Group (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition. MIT Press.