Constructing Conceptual Spaces for Novel Associations

Traducción

Los marcos generalmente aceptados [1, 2] para la construcción de analogías

computacionales se centran en tres procesos: representación, mapeo y transferencia. Se
construyen representaciones de un objeto de origen y de destino, se construyen mapeos
entre ellos y luego se transfiere el conocimiento desde el origen al destino. Los modelos
existentes del proceso de representación [3, 4] construyen representaciones a partir de un
conjunto de componentes provistos. Las asignaciones producidas por estos sistemas deben
construirse (mediante procesos tales como el deslizamiento conceptual o la activación de
propagación) de las relaciones existentes entre esos componentes. Si bien el alcance de las
representaciones en el sistema puede ser amplio, se deben proporcionar todos los tipos
posibles de relación entre las representaciones con los componentes de representación. La
representación en sistemas de creación de analogía con un conjunto fijo de componentes
representacionales se reduce a "elegir" entre cuál de las relaciones precodificadas subyace
el mapeo.

Esta investigación investiga una aproximación a la asociación computacional que aborda

esta restricción: un sistema que construye el espacio conceptual en el que realiza la
representación. Si un sistema construye las relaciones entre sus conceptos a través del uso,
entonces las posibles vías de mapeo entre esos conceptos no necesitan ser precodificadas.
Detallamos un sistema que aprende conceptos para describir su mundo, aprende cómo se
relacionan esos conceptos, construye un espacio usando esas relaciones y luego puede
encontrar mapeos mediante la reinterpretación de objetos en ese espacio. En otras palabras,
un sistema en el cual las asociaciones creadas no se expresan simplemente en las
representaciones construidas, sino que están situadas en el espacio conceptual derivado del
conocimiento de la experiencia del sistema. Nuestra hipótesis es que esta autonomía
aumentada en representación y mapeo ayudará a producir analogías potencialmente
creativas.

Asociación

Esta investigación define la asociación como el proceso de construcción de un nuevo

mapeo entre dos objetos. El proceso implica identificar una coincidencia y crear una
asignación entre los dos objetos que refleja esa coincidencia. Este proceso es fundamental
para hacer analogías, metáforas y otras tareas relacionadas. Suponemos que el
reconocimiento de patrones hace que el reconocimiento de asignaciones en
representaciones existentes sea prácticamente automático. A partir de esta suposición
derivamos que asociar dos objetos es fundamentalmente un proceso de re-representación de
los objetos para expresar una conexión entre ellos. Esta es nuestra noción de asociación
impulsada por la interpretación.

2.1 Asociación impulsada por la interpretación

Modelar la asociación como una búsqueda basada en la interpretación tiene varios
beneficios para un sistema de creación de analogías. Múltiples asociaciones entre los
mismos objetos son posibles a través del desarrollo de múltiples interpretaciones de esos
objetos. Cada asociación se encuentra dentro de la interpretación utilizada para construirla,
y cualquier conocimiento aprendido o transferido a través de esa asignación también es
específico de esa interpretación. Cada asociación incorpora una "nueva" coincidencia, en la
que el proceso de asociación produce un mapeo entre representaciones que el sistema no
conocía previamente: es s-creative [5].
El proceso de interpretación implica la re-representación concurrente de los objetos a través
de una búsqueda de las experiencias del sistema con ellos hasta que se pueda encontrar una
representación viable. En un sistema gobernado por esta idea de asociación, debe ser
posible producir muchas representaciones diferentes de un objeto. Modelamos esto al
permitir que los conceptos utilizados para representar objetos tengan significados mutables
a través de un proceso análogo al "deslizamiento conceptual" en el sistema Copycat [3]. En
circunstancias apropiadas, los significados de dos conceptos pueden "deslizarse" juntos,
permitiendo que coincidan objetos previamente dispares. En Copycat, estas desviaciones
solo pueden ocurrir a lo largo de rutas predefinidas y en circunstancias predefinidas.
Nuestro sistema de asociación se libera de esta restricción a medida que desarrolla de forma
autónoma las relaciones que señalan el proceso de "deslizamiento" entre los conceptos.
Nuestro objetivo es producir un sistema de creación de analogías que construya
representaciones a partir de conceptos que ha aprendido, pero también para aprender las
relaciones entre esos conceptos. Esto permitiría al sistema "deslizar" los significados de los
conceptos sin caminos predefinidos para hacerlo. Hacer esto requiere la solución de dos
problemas: necesitamos aprender las relaciones entre los conceptos producidos por el
sistema, y necesitamos usar esas relaciones para producir nuevas interpretaciones y, por lo
tanto, asociaciones.

2500/5000
2.2 Espacios conceptuales como modelo de experiencia
En esta investigación utilizamos la noción de espacios conceptuales para describir cómo los
conceptos se relacionan entre sí y cómo esas relaciones se pueden usar en asociación. Un
espacio conceptual es una construcción abstracta en la que se ubican todos los conceptos de
un sistema. Un espacio conceptual contiene conocimiento sobre cómo los significados
conceptuales se relacionan entre sí y sobre cómo los conceptos se han usado en conjunto. El
espacio conceptual es una abstracción de las experiencias de un sistema en el curso de su
operación y puede usarse para poner el acto de percibir un objeto en el contexto del pasado
de un sistema. Nuestro sistema reinterpreta objetos recurriendo a este conocimiento de
experiencias pasadas relacionadas para encontrar otro conjunto de conceptos que puedan
usarse para describir el objeto.
Los espacios conceptuales para la creación de analogías deben contener descripciones ricas
e interrelacionadas de las características que componen los objetos. No es suficiente
producir un espacio conceptual en el que cada objeto esté representado por un solo punto,
ya que el espacio debe expresar las relaciones entre los conceptos utilizados para describir
los objetos, no entre los mismos objetos. La "teoría de los espacios conceptuales" de
G ̈ardenfors [6] establece que los espacios conceptuales se definen por dimensiones de
calidad, o "aspectos o cualidades del mundo externo que podemos percibir o pensar". Si las
relaciones en un espacio se pueden expresar en términos de unas pocas dimensiones de
calidad, entonces cualquier mapeo producido dentro del espacio se derivará de esas pocas
cualidades. Nuestra definición de espacios conceptuales no implica que los espacios
contengan ninguna organización globalmente coherente.
El mecanismo que rige la ubicación de los conceptos en el espacio varía según la
implementación, pero como mínimo nuestra definición establece que los conceptos
proximales son de alguna manera similares. En nuestro sistema, los espacios están
definidos por multígrafos no dirigidos, cada nodo es un concepto y cada borde es una
relación. Se puede obtener alguna idea de la similitud entre los conceptos a través de la
distancia del borde entre dos conceptos, pero como cada borde puede representar diferentes
tipos de relaciones, no existe la noción de moverse en una "dirección" definida en el
espacio.
Las relaciones concepto a concepto se pueden aprender a través de cómo el sistema
adquiere y usa conceptos. Las relaciones en el espacio conceptual en nuestro prototipo
toman dos formas; similitud entre los significados de los conceptos y la similitud entre el
uso de los conceptos. Podemos usar estas relaciones para reinterpretar objetos.

2.3 Coincidencia en espacios conceptuales

Cada objeto se puede representar dentro del espacio conceptual como un conjunto de
nodos, uno para cada uno de los conceptos que lo describen. Estos conceptos forman una
región en el espacio conceptual que describe el objeto. Encontrar una forma de reinterpretar
los conceptos usados en esta representación implica encontrar otra región de conceptos que
se pueda mapear en esta. Cuando dos regiones en el espacio conceptual se mapean entre sí,
una que describe un objeto fuente y otra que describe un objeto objetivo, se puede decir que
los conceptos dentro de esas representaciones han tenido sus significados "deslizados"
juntos. Esto resulta en representaciones de los dos objetos que reflejan una asociación entre
ellos.

Si existe una similitud estructural entre las regiones conceptuales asociadas con dos
objetos, entonces las formas en que el sistema modela esos dos objetos pueden verse como
iguales. Una vez que se encuentra un mapeo entre los conceptos en dos regiones, podemos
producir una interpretación de un objeto usando los conceptos asociados con el otro. La
similitud estructural entre dos regiones conceptuales es indicativa de cómo las experiencias
del sistema con esos dos objetos han tenido una estructura similar. Podemos decir que hay
conceptos en ambas regiones que desempeñan roles similares dentro de ese grupo de
conceptos, y con patrones similares de relaciones con sus vecinos. Este enfoque es
sintáctico ya que coincide con la estructura del espacio conceptual más que con su
contenido, pero esa estructura se aprende a través de las interacciones del sistema con su
mundo. Por lo tanto, lo que se está mapeando es información semántica a nivel de objeto
expresada como información estructural dentro del espacio conceptual.

Esta investigación se ocupa de desarrollar un sistema que pueda aprender sus propios
conceptos y aprender cómo esos conceptos se relacionan entre sí. Cuanto más alejados
están los datos proporcionados por el experimentador de las analogías que realiza el
sistema, más defendible es la afirmación de que el sistema ha construido autónomamente
una nueva asociación. Un sistema basado en estos principios: a) aprenderá un conjunto de
conceptos para describir los objetos en su mundo, b) aprenderá cómo se relacionan esos
conceptos entre sí, tanto en definición como en uso, c) construirá un espacio conceptual que
incorporará las relaciones entre los conceptos, d) encuentre una correspondencia entre la
estructura de las regiones en el espacio conceptual que refleja el objeto objetivo y una
fuente, e e) interprete el objetivo y los objetos de origen para reflejar el mapeo que se ha
construido entre los conceptos utilizados para describirlos.
Hemos desarrollado un prototipo de nuestro enfoque para la construcción de asociaciones
que implementa la formación de conceptos, la interrelación conceptual, la construcción del
espacio conceptual y una forma limitada de emparejamiento. Si bien este prototipo aún no
produce analogías convincentes o interesantes, sirve como una prueba de concepto para
nuestro marco y sus comportamientos ofrecen una idea de nuestras teorías.

Search Strategies and the Creative Process

P.141

1. Introducción
Se puede pensar que el proceso creativo es la búsqueda de una solución ideal para un
problema. Una forma de entender la creatividad es comprender este proceso de búsqueda.
Este artículo presenta los primeros resultados de una nueva técnica de investigación del
comportamiento que se basa en la metáfora de la "creatividad como búsqueda". En el corto
plazo, esta técnica permitirá a los investigadores comprender cómo las diferencias
individuales y las influencias situacionales afectan el proceso creativo, en lugar de
simplemente señalar que afectan el resultado. En el mediano plazo, la técnica se utilizará
para comprender las similitudes y diferencias entre la búsqueda creativa humana y la
optimización. A largo plazo, la esperanza es que este y otros trabajos relacionados permitan
una mejor comunicación entre los investigadores de creatividad en las tradiciones
conductuales y computacionales, lo que eventualmente conducirá a una comprensión más
integradora de lo que es la creatividad y cómo ocurre.
El documento comienza con una discusión sobre creatividad y búsqueda. Luego, se
presentan los objetivos y la justificación del diseño para la nueva técnica, seguidos de los
resultados ilustrativos de una aplicación temprana de la técnica. Finalmente, se discuten las
direcciones futuras.

La búsqueda puede verse como la búsqueda de un camino desde un estado inicial hasta un
estado final específico, o como la búsqueda de la mejor solución entre muchas otras
soluciones. El primer caso es relevante cuando se conoce el resultado deseado, pero los
medios para lograrlo no son (por ejemplo, probar un teorema matemático). El último caso
es relevante cuando el resultado deseado no está claro, como durante las etapas de
"búsqueda de problemas" del proceso creativo. Al menos en las artes, las personas creativas
parecen distinguirse por los problemas que eligen resolver, no por cómo los resuelven [1].
En consecuencia, esta investigación se centra en cómo las personas eligen la mejor solución
entre las alternativas de la competencia, y no en cómo esa solución
se realiza.

En dominios abiertos como las artes, elegir qué solución buscar es

rara vez es una simple cuestión de decidir entre algunas opciones conocidas. En cambio, el
espacio de posibilidades suele ser demasiado amplio para ser considerado simultáneamente,
lo que significa que la búsqueda debe continuar considerando de manera iterativa los
subconjuntos del espacio. La forma en que las personas controlan este proceso iterativo se
puede llamar una estrategia de búsqueda e incluye cosas como cómo las personas se
mueven de un subconjunto a otro y cómo las personas evalúan cada solución. Aunque las
estrategias de búsqueda pueden ser un determinante importante de cuán creativo es el
resultado de la búsqueda, no son directamente observables. Sin embargo, si las opciones
bajo consideración en cada etapa se pueden observar al menos parcialmente, es posible
rastrear cómo las personas se mueven a través del espacio de posibilidades a lo largo del
tiempo. Esta ruta se denomina trayectoria de búsqueda y ofrece pistas sobre qué tipo de
estrategia de búsqueda utilizan las personas.
Esta investigación examina las trayectorias de búsqueda, y las caracteriza por lo complejas
que parecen ser, lo que es equivalente a la forma en que un sendero lleva desde su solución
inicial a la solución con la que eventualmente llegan a un acuerdo. A primera vista, las
trayectorias simples pueden reflejar cosas positivas como la capacidad de decisión y la
experiencia. Sin embargo, también pueden reflejar estrategias poco sofisticadas que no se
corresponden bien con la naturaleza del problema. Esto es particularmente probable cuando
los aspectos de una solución que se puede manipular (las dimensiones de control) tienen
relaciones complejas con los criterios sobre los que se evalúa la solución (las dimensiones
de evaluación). En estos casos, las estrategias simples como hacer mejoras incrementales
repetidamente hasta que no se pueda mejorar nada pueden ser contraproducentes, ya que
pueden pasar por alto una solución drásticamente diferente que es muy superior (ver [2, 3]).

Combining Representational Domains for

Computational Creativity
La creatividad se percibe principalmente como una característica cognoscitiva de alto nivel,
que siempre debería estar refiriéndose a un espacio conceptual, ya sea que esté concebido
para explorar o transformar dicho espacio (Boden 2009). Uno de los componentes de la
creatividad es una memoria asociativa capaz de restaurar un estímulo sensorial de entrada
incompleto ajustando el foco de atención.
Se ha propuesto un modelo cognitivo para la creatividad basado en la capacidad de ajustar
el foco de atención en (Gabora 2002). Según este modelo, un foco de atención variable, al
tiempo que apunta la idea básica, también recoge otros conceptos que son parte de la
corriente del pensamiento. El foco de atención se puede considerar como una idea básica,
un marco que impulsa el proceso creativo que está conectado con el modo de pensamiento
analítico.
Al mismo tiempo, otro componente básico del modelo cognitivo propuesto por Gabora es
la memoria asociativa. Mediante asociaciones entre diferentes conceptos y mecanismos de
finalización, pueden surgir resultados nuevos y sorprendentes (Bogart y Pasquier 2013).
Este tipo de proceso creativo puede vincularse al proceso que Boden llama creatividad
combinatoria, que está relacionado con la creación de combinaciones inusuales, generadas
consciente o inconscientemente, de ideas familiares (Boden 2009).
La pintura de Arcimboldo puede ser un buen ejemplo para aclarar lo que pretendemos. La
pintura de una figura humana presenta un marco muy preciso que está constituido por
detalles de la figura, como la nariz, los ojos, los labios, las reglas y el posicionamiento
relativo y todo el otros detalles que hicieron una figura humana. El foco de atención es lo
que usamos para "navegar" en el marco, lo que apunta a los detalles de la figura, que puede
ser sustituido por elementos que pertenecen a otro dominio (como en el dibujo de la figura
1) que explota la asociativa memoria. Creemos que, durante el proceso creativo de imaginar
la pintura, la atención se relaja y otras imágenes, buscadas en otro dominio, toman en
cuenta y toman el lugar de las partes originales de la figura humana.

Arquitectura

En (Augello et al., 2013b) definimos los mecanismos para apoyar la creatividad en un

marco cognitivo. En este trabajo utilizamos la misma arquitectura (ver la figura 2) pero
adoptamos una nueva versión de LTM (Long Term Memory) que implementa un
mecanismo asociativo que se describe en los detalles a continuación.
Como se dijo antes, uno de los componentes básicos es una memoria asociativa capaz de
restablecer un estímulo sensorial de entrada incompleto.
La finalización se guía por el contexto: cuando interpretamos caracteres manuscritos
borrosos o confusos, usamos asociaciones con caracteres manuscritos memorizados, luego
completamos o reconstruimos la entrada, de modo que la asociación más común se realice
usando objetos del mismo contexto. Los objetos que provienen del mismo dominio
probablemente estén representados por las mismas características y compartan el mismo
espacio de concepto que se describió en Gandorsfors (Gaderdenfors 2004). Las
asociaciones también pueden involucrar objetos de diferentes contextos de una manera más
"creativa". En este caso, el contexto original se descarta y los objetos provienen de
diferentes dominios.
De acuerdo con estas consideraciones, hemos creado un mecanismo de varias capas que
permite conectar ubicaciones de memoria relacionadas con un único dominio. También
hemos creado otra capa que se utiliza para conectar ubicaciones de memoria con un
mecanismo de asociación más general que permite crear asociaciones que van más allá del
dominio. Esta segunda capa superior se usará cuando se descarte el dominio original, por
ejemplo, cuando queremos encontrar otras soluciones o queremos mezclar diferentes
dominios. El tipo de asociaciones realizadas en el segundo nivel serán las asociaciones
realizadas cuando el foco de atención se relaja y se pueden establecer conexiones
asociativas incluso fuera de un dominio específico. La estructura que proponemos se
representa en la fig. 3.
La entrada de los sensores se envía al dominio apropiado en el primer nivel y se memorizan
o completan cuando sea necesario. El segundo nivel contiene las asociaciones entre
diferentes dominios que se explicarán con más detalle en los siguientes párrafos.
El módulo de memoria asociativo que proponemos está inspirado por el trabajo en (Morse
et al., 2010) y se implementa utilizando redes neuronales de un mapa autoorganizado
(SOM) (Kohen-nen, Schroeder y Huang 2001).

Los mapas de autoorganización son redes neuronales constituidas por una sola capa de
unidades neuronales generalmente organizadas en una grilla 2D. Después de una fase de
entrenamiento exitosa, cada unidad neural se aproxima idealmente al centroide de un grupo
de patrones de entrada y las unidades vecinas representan valores similares. De esta forma,
cada unidad neutra corresponde a un tipo de patrón promedio para un conjunto de entradas.
La arquitectura propuesta en (Morse et al., 2010) está compuesta por múltiples SOM, cada
uno de los cuales recibe aportes de una modalidad sensorial diferente. En nuestra
arquitectura, la matriz SOM, en la parte superior de la figura 3, recibe entradas de
diferentes características extraídas de la misma entrada sensorial, de modo que un SOM del
conjunto puede tener características de color de la imagen, otros límites de imagen, otra
información de textura y pronto. Los valores de los SOM son recopilados por el SOM-hub
que representa simbólicamente el objeto que reúne las representaciones de los diferentes
SOM. Este proceso está bosquejado en la fig. 4, donde diferentes características son
sustituidas por diferentes partes de la imagen.

Mientras que el conjunto SOM y el SOM hub constituyen el módulo asociativo para un
dominio, también hay otro SOM, llamado SOM de segundo nivel, donde tiene lugar la
asociación entre diferentes dominios.
La información de los módulos de dominio, en este segundo nivel, se representa utilizando
funciones más generales. Por ejemplo, si un dominio se usa para memorizar imágenes de
árboles y uno de los SOM en el conjunto de la figura 3 memoriza la forma de las hojas, el
segundo nivel SOM puede usar la dimensión del cuadro delimitador1 como característica.
Cuando queremos mezclar objetos de otros dominios, podemos considerar los objetos que
tienen el mismo cuadro delimitador. La sustitución será impulsada por el SOM de segundo
nivel, cuyo objetivo es reflejar fielmente la estructura general de la imagen. Una sustitución
según las dimensiones del cuadro delimitador es un criterio simple pero un conjunto más
general de características que también podrían emplearse. Este segundo nivel SOM
implementará la difusión del foco de atención porque mezclará objetos de diferentes
dominios y los agrupará teniendo en cuenta características muy difíciles.
Las siguientes dos subsecciones explicarán cómo podemos implementar los efectos de un
foco de atención variable: con un enfoque estrecho podemos obtener una terminación
simple dentro del mismo dominio, mientras que con la difusión del foco podemos recuperar
objetos de diferentes dominios.

Terminación en el mismo dominio

La finalización en el mismo dominio es la forma más simple de finalización. Por ejemplo,
supongamos que un dominio está entrenado para memorizar imágenes simples, e imagina
que, dentro de este dominio, hay SOM que memorizan partes muy específicas de la imagen:
podemos pensar que cada SOM memoriza un cuadrante de la imagen o cuando representa
caras, segmentos de caras humanas. En este caso, los componentes básicos serían ojos,
labios, narices, etc., memorizados junto con sus posiciones, en diferentes SOM. El SOM-
hub toma en cuenta todas las posiciones de los componentes. Esto está bosquejado en la fig.
4.
Si falta una parte de una imagen, solo algunos de los SOM pueden recuperar las
ubicaciones de memoria correspondientes y ayudar a reconstruir la imagen memorizada:
uno o más, los SOM no responderán porque no tienen ninguna entrada. El concentrador
SOM cumple la tarea de recuperar las ubicaciones de memoria necesarias de los SOM que
no tienen ninguna entrada, a fin de juntar todas las piezas de la imagen.
Este procedimiento se muestra en la figura 5: la pieza perdida de la imagen provoca un
error de recuperación en el Mapa 4 de SOM, de modo que el SOM-centro, que contiene la
referencia del conjunto, emite la dirección de la ubicación del Mapa 4 de SOM y recuerda
la pieza faltante

Terminación en un dominio diferente

Cuando la finalización se obtiene usando "partes" o recuerdos que están fuera del dominio
de la imagen original, o entrada, estamos haciendo una asociación que no es causal. Esto
puede suceder cuando la parte recuperada se usa para obtener contenidos de memoria de
otros dominios diferentes. En este caso, las asociaciones son las memorizadas en la segunda
capa SOM, es decir, una asociación que corresponde a características de diferente tipo.

En la Fig. 6 todo el proceso se dibuja: la parte faltante se recuerda como se dijo antes; sin
embargo, en este caso, no se envía a la salida, sino que se envía al SOM de segundo nivel,
donde se utiliza para recuperar objetos de diferentes dominios.
La información recuperada se utiliza como referencia para obtener la parte faltante que se
envía al SOM de segundo nivel. Esta señal excita una unidad del SOM de segundo nivel y
su salida se envía de vuelta a toda la memoria asociativa de los otros dominios. Cada
dominio responde con una lista de las unidades citadas que señalan un conjunto de señal
correspondiente a los objetos memorizados. Como se indica en la figura 6, todos estos
objetos se proponen como sustitución de la parte faltante. En este punto, la finalización
propuesta desde el dominio original se usa nuevamente como referencia: todas las
sustituciones propuestas se comparan con la finalización original y la más similar se elige
como sustituto. Este mecanismo se implementa en el cuadro "Implementación con
expectativa" en la figura 6.

Algunos resultados experimentales y concluyentes

Observaciones
Los experimentos se realizaron principalmente para evaluar el mecanismo de efectividad
del reemplazo de algunas partes de las imágenes por la memoria asociativa previamente
descrita. Hemos elegido un dominio facial que permite un reconocimiento inmediato y un
dominio de hojas y flores para parecerse al efecto del estilo Arcimboldo. Una muestra de
las imágenes en nuestro conjunto de datos se da en la figura 7. El sistema se entrenó
utilizando 113 imágenes de rostros a escala de grises y 100 imágenes de hojas y flores.
Cada imagen es de 100 × 100 píxeles para mantener un tamaño manejable de la
arquitectura neuronal.
Para reproducir el mecanismo de finalización y simular parcialmente el mecanismo de
atención, cada cuarto de la imagen ha sido memorizado en un mapa diferente de la matriz
de SOM (ver figura 4). Hemos intentado una descomposición de árbol cuádruple y el
proceso de aprendizaje descrito anteriormente. Un ejemplo se informa en la figura 9.
Cada SOM en la matriz tiene un tamaño de 20 × 20 unidades y está entrenado con
segmentos en la misma posición de la imagen usando el procedimiento de entrenamiento
rápido descrito en (Rizzo 2013), y el resultado se muestra en la fig. 8. Al final del proceso,
es posible entrenar el SOM-hub que envía las imágenes del conjunto de entrenamiento a la
matriz SOM; para cada SOM obtendremos las coordenadas de dos dígitos en la matriz de
unidades neuronales, del ejemplar más similar (a menudo llamado unidad de mejor
coincidencia o b.m.u.). Estas coordenadas se envían al hub-SOM que aprende esta
codificación de imagen de 8 dígitos y, después del entrenamiento, podrá reconstruir la
codificación correcta para cada imagen.
Este tipo de representación es demasiado precisa para ser utilizada también en un nivel
superior, si queremos "mezclar cosas diferentes". En los niveles superiores, queremos una
representación que capte solo algunas de las características de las imágenes, por ejemplo,
masas de color, límites y formas, etc. Por este motivo, utilizamos las funciones de Haar y
Gabor, que contienen menos información.