Cours 11 - Modèles connexionnistes

Question 1

Origine

Selon Aristote:

384-322 JC

Answer 1

• Connaissance = association entre perceptions
• Complexification = réseaux associations

Question 2

Origine

Turing propose quoi?

Answer 2

Machine universelle = réseaux unités traitement inspiré par neurones

Question 3

Origine

Les opérations logique simples de Turing forment quoi?

Answer 3

Substrat cognition et peuvent être réalisés en format neuronal

Question 4

Origine

Connexionnisme dans les années 1950:

Answer 4

• Tout expliquer par cognition (arrogance)
• Pas outils maths pour apprendre problème non-linéaires

Question 5

Origine

Connexionnisme années 1970:

Answer 5

• Travaux concentrés sur perception & mémorisation
• Pionnier: Anderson, Kohonen, Rumelhart

Question 6

Origine

Quand le connexionnisme revient en force?

Answer 6

1986 = Publication Parallel Distributed Processing
* variété architecture
* règles apprentissages complexes
* cadre théorique général

Impact publication = changement psycho

Question 7

Origine

Connexionnisme après 1986:

Answer 7

• Présent congrès, départements
• Considéré comme changement paradigme

Question 8

Origine

Validation du connexionnisme:

Answer 8

• Culturelle (ex: film)
• De masse –> technologies

Question 9

Réseaux neurones

C’est quoi un réseaux?

Answer 9

= unités simples branchées entre elles

Question 10

Réseaux neurones

Propriétés réseaux:

Answer 10

1. Traitement info parallèle & distribué = fonctionne mieux
2. Apprentissage continu & adaptation env = entrainement & règles
3. Tolérance bruit = perte connexions/unité mais fct toujours
4. Plausibilité biologique = compatible avec cerveau

Question 11

Réseaux neurones

Élément des réseaux:

Answer 11

1. Unité
2. Connexion
3. Topologie = organisation connexion
4. Règles apprentissages

Question 12

Réseaux neurones

Est-ce que les règles sont obligatoires?

Answer 12

Non –> optionnelles

Question 13

Réseaux neurones

Unité:

Answer 13

• Intégration linéaire = neurone idéalisé
• Fonction sigmoïde/logistique

Question 14

Réseaux neurones

Étapes unité:

Answer 14

1. Sommation intrants = somme input
2. Activation = f(x)
3. Propagation

Question 14

Réseaux neurones

Connexion:

Answer 14

• Élément nécessaire
• Multiplicateur activation = stimuler ou inhiber

Question 15

Réseaux neurones

2 aspects importants connexion:

Answer 15

1. Direction = uni/ bidirectionnel
2. Valence = positif/négatif

Question 16

Réseaux neurones

Organisation de base des connexions:

Answer 16

Unité branchées entre elles et se stimulent
* Intrant net = net(𝒾) = ∑w(𝒾𝒿j)a(𝒿)

Question 17

Réseaux neurones

Topologies:

Answer 17

• Auto-association = traitement image
• Satisfaction contraintes (Hopfield)

Question 18

Réseaux neurones

C’est quoi perceptron?

Answer 18

Machine capable représenter combinaison linéraire
* Matrice connexion
* Réseaux multi –> unité cachée
* Cascade-corrélation = générative

Question 19

Règles apprentissage

Buts des règles:

Answer 19

Changer valeur des connexions = améliorer performance réseau
* Calcul règle Δω

Question 20

Règles apprentissage

Loi Hebb:

Answer 20

= deux neurones renforce connexion
* Δω=𝛌a₁a₂
* Avantage: plausibilité (renforcer)
* Désavantage: limitée (pas apprendre plus)

Question 21

Règles apprentissage

Règle delta

Widrow-Hoff

Answer 21

• Modification Hebb
• Apprentissage cible
• Δω=𝛌(c-a₁)a₂
• Avantage: plausibilité
• Désavantage: limitée

Question 22

Applications et utilité

Pourquoi simuler processus psycho avec réseaux?

Answer 22

• Rigueur & précision
• Cadre théorique = général
• Comparaison modèles
• Prédictions
• Consédiration éthique & pratiques

Question 23

Applications et utilité

Applications industrielle:

Answer 23

• Analyse et exploration données
• Perception (ex: poste, empreintes, reconnaissance voix)

Question 24

# Applications et utilité En psychologie:

Answer 24

* Perception (modèle vision, audio) * Mémoire = modèles MCT, MLT * Catégorisation * Langage * Cognition haut niveau (analogie, raisonnement) * Apprentissage & dev

Question 25

# Applications et utilité Avantages comparé IA:

Answer 25

* Vrai apprentissage * Robuste * Rapide * Système compact * Perception * Indépendant données * Plausibilité | Inspiré par cerveau vs IA

Question 26

# Applications et utilité Désavantages comparé à IA:

Answer 26

* Représentation implicites * Langage * Tâche sérielle

Question 27

# Cognition chez bébé Difficulté étude bébé:

Answer 27

* Langage & compréhension

Question 28

# Cognition chez bébé Inférences des représentations cognitives:

Answer 28

* Mm niveau attention = pareil * Nouveauté = regain attention

Question 29

# Cognition chez bébé C'est quoi Violation des Attentes (VdA)

Answer 29

= variante métho habituation pour étudier capacités cognitives complexes * Niveau base intéret & montrer éléments viole concept étude * Bébé regarder + longtemps violations = aiment nouveauté conceptuelle

Question 30

# Cognition chez bébé Problème découverte habileté complexes chez bébé:

Answer 30

ex: permanence, physique, langage, nb, causalité, cognition sociale

Question 31

# Cognition chez bébé Problème général:

Answer 31

Explication plus simples empêche pas réalité compliquée * Besoin autres critères pour VdA = peu progrès compréhension bébé

Question 32

# Cognition chez bébé Contreverse courante:

Answer 32

Connaissance innée vs processus perceptuel, métho, disparition connaissances

Question 33

# Cognition chez bébé Comportements à reproduire avec Modèle habituation HAB:

Answer 33

* Traitement temporel * Diminution exponentielle * Préférence familiarité vs nouveauté * Habituation de déshabituation * Discriminer items

Question 34

# Cognition chez bébé Systèmes neuronaux modèle HAB:

Answer 34

* Hippocampe (novelty) = inhibition sélective stimuli familiers * Sous-corticales-cortical (Cortical) = souvenirs MCT-MLT

Question 35

# Situer le modèle Situation: | on s'en fou

Answer 35

Début: regarder choses prévisibles Résultat: avec apprentissage moteur

Question 36

# Situer le modèle Détails de la simulation:

Answer 36

* 10 robots 2 conditions * Montrer paires stimuli * Robots 10 réponses motrices * Mesure orientation stimulus nouveau vs familier

Question 37

# Situer le modèle Résultats robots matures vs immature:

Answer 37

* HAB explique mieux données qu'autres modèle habituation * Contrôle moteur Hebb améliore performance (complexe, actif) * Maturation --> immature

Question 38

# Validation HAB Prédiction:

Answer 38

= 1st regard amorce préférence nouveauté (priming)

Question 39

# Validation HAB Procédure:

Answer 39

Bébé 20 paires stimuli 10s * + long deuxième regard nouveau si regardé familier en premier

Question 40

# Validation HAB Résultat:

Answer 40

* Prédiction neurocomputationnelle vérifiée 5 mois = priming * Disparition 6 mois * Pas première validation HAB * Ils ont volé la gloire de Sylvain en stoemelings

Question 41

# Données VdA récentes Quelle crise arrive en psycho?

Answer 41

Crise réplicabilité étude aussi sur dev * Réplicabilité explique pas effets observés

Question 42

# Données VdA récentes Récentes VdA:

Answer 42

Bébé apprendre régularité sans comprendre? ## Footnote Passe étude Sylvain pcq c'est trop

Question 43

# Pupillométrie Conclusion:

Answer 43

* Bébé surpris pas évènement possible * Surprise modulée par caractéristique perceptuelle familières

Question 44

# Conclusion ADN:

Answer 44

Générer plus connexions que requis * Biais innée PAS connaissance innées * ex: faux cpt sociaux

Question 45

# Conclusion Mettre accent sur quoi?

Answer 45

Mécanisme & processus vs innés/acquis | Super