Storyboard

La exploración activa es la selección deliberada de acciones sensoriales para maximizar la información obtenida del entorno. A diferencia de la percepción pasiva, el organismo controla qué señales recibe: movimientos de la cabeza (sniffing, sacadas oculares, escudriño auditivo), emisión de señales activas (ecolocalización, electrolocación) o desplazamientos espaciales.

La ganancia de información IG(a) = H(S) - E[H(S|o_a)] mide cuánto reduce la acción a la incertidumbre sobre el estado S. La estrategia de exploración óptima elige la acción que maximiza IG: esto es el principio de 'curiosidad epistémica' o búsqueda de información, que da cuenta de comportamientos exploratorios observados en mamíferos e insectos.

El dilema exploración-explotación es central en el comportamiento adaptativo: ¿usar el conocimiento actual para maximizar la recompensa (explotación) o explorar opciones desconocidas que podrían ser mejores (exploración)? El algoritmo UCB resuelve esto de forma teóricamente óptima: añade un bono de exploración (ln(t)/n(a)) que decrece conforme se visita más una acción, equilibrando ambas estrategias.

El sniffing activo aumenta dramáticamente la velocidad de detección de odorantes: el modelo exponencial C_recep(t) = C_amb·(1-e^(-v·A·t/V)) muestra que mayor flujo v_sniff llena más rápido la cavidad nasal con la concentración ambiente. Los roedores hacen sniffing a 412 Hz, sincronizando la actividad olfativa con el ritmo respiratorio para optimizar la adquisición de información.

La electrolocación activa (peces eléctricos débiles) perturba el campo eléctrico propio cuando un objeto con conductividad diferente al agua entra en él: E (_obj - _agua)·V_obj/r³. La magnitud y distribución de E en la piel del pez permite estimar tamaño, forma, distancia y conductividad del objeto. Los peces gymnotiformes generan movimientos exploratorios estereotipados para maximizar la información de electrolocación.

>Modelo

ID:('ky', 589)

Storyboard

$IG(a)=H(S)-E[H(S\mid o_a)]$

Variables

$E[H(Smid o_a)]$

Entropía condicional esperada

$bit$

$H(S)$

Entropía inicial

$bit$

$IG(a)$

Ganancia de información

$bit$

>Modelo

ID:('gm', 5310)

Storyboard

$a^*=\arg\max_a IG(a)$

Variables

$a^*$

Acción exploratoria óptima

$1$

$IG(a)$

Ganancia de información

$bit$

>Modelo

ID:('gm', 5311)

Storyboard

$UCB = Q(a)+c\sqrt{\ln(t)/n(a)}$

Variables

$c$

Peso de exploración

$1$

$Q(a)$

Valor esperado de acción

$1$

$mathrm{UCB}$

Valor upper confidence bound

$1$

$n(a)$

Visitas de acción

$1$

$t$

Tiempo

$s$

>Modelo

ID:('gm', 5312)

Storyboard

$C_{\rm recep}=C_{\rm amb}[1-e^{-v_{\rm sniff}A_{\rm recep}t/V_{\rm nasal}}]$

Variables

$v_{ m sniff}$

Velocidad de flujo nasal

$m/s$

$A_{ m recep}$

Área receptora

$m²$

$V_{ m nasal}$

Volumen nasal

$m³$

$C_{ m amb}$

Concentración ambiente

$mol/m³$

$C_{ m recep}$

Concentración en receptor

$mol/m³$

$t$

Tiempo

$s$

>Modelo

ID:('gm', 5313)

Storyboard

$P({\rm sac}\to loc_i)= S_i[1-e^{-d/\sigma_{\rm att}}]$

Variables

$P({ m sac} o loc_i)$

Probabilidad de sacada

$1$

$S_i$

Saliencia local

$1$

$d(loc_i,mathrm{fovea})$

Distancia a fóvea

$m$

$sigma_{ m att}$

Escala atencional

$m$

>Modelo

ID:('gm', 5314)

Storyboard

$\Delta E=\frac{(\sigma_{\rm obj}-\sigma_{\rm agua})V_{\rm obj}E_0}{4\pi r^3}$

Variables

$E_0$

Campo eléctrico propio

$V/m$

$Delta E$

Perturbación de campo eléctrico

$V/m$

$r$

Distancia al objeto

$m$

$V_{ m obj}$

Volumen del objeto

$m³$

$sigma_{ m agua}$

Conductividad del agua

$s/m$

$sigma_{ m obj}$

Conductividad del objeto

$s/m$

>Modelo

ID:('gm', 5315)

Storyboard

$\Delta I_{\rm Fisher}=\sum_t[\partial_\theta\log P(z_t\mid\theta)]^2$

Variables

$Delta I_{ m Fisher}$

Información de Fisher acumulada

$1$

$partial_ hetalog P(z_tmid heta$

Sensibilidad log-verosimilitud

$1$

$t$

Tiempo

$s$

>Modelo

ID:('gm', 5316)

Storyboard

$P(a_{\rm explore})=\varepsilon,;P(a_{\rm best})=1-\varepsilon$

Variables

$varepsilon$

Probabilidad de exploración

$1$

>Modelo

ID:('gm', 5317)

Descripción

Red de modelo

• Método alternativo
• Método tradicional
• Estrategia
• 2D
• 3D

Ecuación

Número

Primero, seleccione la ecuación:   a ,  luego, seleccione la variable:   a 

---

Símbolo

Ecuación

Resuelto

Traducido

Cálculos

Símbolo

Ecuación

Resuelto

Traducido

 Variable   Dado   Calcule   Objetivo :   Ecuación   A utilizar

Variables

$a^*$

a_star

Acción exploratoria óptima

1

$E[H(Smid o_a)]$

EH_S_oa

Entropía condicional esperada

bit

$H(S)$

H_S

Entropía inicial

bit

$IG(a)$

IG

Ganancia de información

bit

$Delta I_{ m Fisher}$

DeltaI_Fisher

Información de Fisher acumulada

1

$c$

c

Peso de exploración

1

$varepsilon$

epsilon

Probabilidad de exploración

1

$P({ m sac} o loc_i)$

P_sac

Probabilidad de sacada

1

$S_i$

S_i

Saliencia local

1

$partial_ hetalog P(z_tmid heta$

dlogP_dtheta

Sensibilidad log-verosimilitud

1

$Q(a)$

Q_a

Valor esperado de acción

1

$mathrm{UCB}$

UCB

Valor upper confidence bound

1

$n(a)$

n_a

Visitas de acción

1

$v_{ m sniff}$

v_sniff

Velocidad de flujo nasal

m/s

$E_0$

E0

Campo eléctrico propio

V/m

$Delta E$

DeltaE

Perturbación de campo eléctrico

V/m

$d(loc_i,mathrm{fovea})$

d_loc

Distancia a fóvea

m

$r$

r

Distancia al objeto

m

$sigma_{ m att}$

sigma_att

Escala atencional

m

$A_{ m recep}$

A_recep

Área receptora

m²

$V_{ m obj}$

V_obj

Volumen del objeto

m³

$V_{ m nasal}$

V_nasal

Volumen nasal

m³

$C_{ m amb}$

C_amb

Concentración ambiente

mol/m³

$C_{ m recep}$

C_recep

Concentración en receptor

mol/m³

$t$

t

Tiempo

s

$sigma_{ m agua}$

sigma_agua

Conductividad del agua

s/m

$sigma_{ m obj}$

sigma_obj

Conductividad del objeto

s/m

ID:(0, 589)