Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />
Evidemment, la segmentation réalisée<br />
dans un réseau ne peut pas être aussi<br />
nette que sur la Figure 5-10, car l’erreur<br />
ne se propage pas selon un unique<br />
chemin, mais diffuse plutôt dans le<br />
réseau, selon certaines directions<br />
privilégiées. Ainsi, il sera peu probable<br />
d’observer des neurones spécifiquement<br />
et exclusivement affectés à l’anticipation<br />
d’un seul site de forçage. L’aspect<br />
modulaire ne peut donc qu’être observé a<br />
posteriori, en détruisant un neurone, afin<br />
de quantifier l’erreur que cette destruction<br />
réalise sur l’anticipation de chacun des<br />
sites de forçage.<br />
La même limite se retrouve dans les<br />
systèmes réels, où la connaissance de<br />
l’effet des lésions cérébrales permet de<br />
spécifier les limites des aires neuronales :<br />
l’architecture du système est observée a<br />
posteriori.<br />
Figure 5-10 : Modularisation par les poids<br />
L’apprentissage étanr fonction des<br />
perturbations induites par le site de forçage,<br />
les plus grandes modifications des<br />
paramètres locaux du système se feront<br />
selon le chemin des zones fortement<br />
modifiées. Ce mécanisme modularise<br />
fonctionnellement le réseau à partir des sites<br />
de forçage.<br />
Nous verrons, dans le cadre d’un<br />
apprentissage dont l’intensité dépend des états des neurones d’entrée et de sortie,<br />
similaire à un apprentissage hebbien, que ce phénomène de diffusion peut engendrer<br />
une modularisation très complexe, géométriquement similaire à celle observée dans la<br />
spécification oeil droit, oeil gauche des aires cérébrales du macaque (8.2<br />
L’apprentissage Hebbien, p.186). Un simple modèle connexionniste peut reproduire des<br />
organisations modulaires géométriquement similaires à celles des systèmes réels.<br />
2. Modularisation fonction de la complexité du signal<br />
Une des définitions de la complexité est celle de Kolmogorov-Chaitin, ou KCcomplexité,<br />
qui correspond à la longueur en bits du plus petit programme qui produira ce<br />
message. Cette définition de complexité semble relative à une architecture donnée, et<br />
représente la complexité pour un ordinateur d’engendrer le message voulu.<br />
Ainsi, cette complexité peut ne pas représenter la complexité absolue d’un message,<br />
mais la complexité relative pour un système donné d’engendrer un message. De la<br />
même façon, un signal aléatoire, complexe au sens de Kolmogorov-Chaitin, peut être vu<br />
comme simple pour certaines machines : un signal aléatoire est ‘simple’ pour le système<br />
qui l’engendre.<br />
Nous ne verrons donc pas de définition d’une complexité absolue, mais seulement<br />
relative à un système : le système percevant participe à la notion de complexité. Dans le<br />
cadre d’un réseau forcé, il est possible d’interpréter la diffusion des perturbations induites<br />
comme étant un ‘filtre de complexité’. En effet, nous pouvons espérer que, en fonction<br />
de la force de l’erreur réalisée par le réseau, celle-ci diffuse plus ou moins loin dans le<br />
réseau : une erreur faible, de faible énergie restera localisée autour du site de forçage,<br />
UN MODELE CONNEXIONNISTE DE LA MEMOIRE 115