cours 3.1 - modèles computationnels et pseudo-paradoxe Flashcards
modèles computationnels
comment les modèles computionnels fonctionnent pour comprendre la perception (2)
- ils utilisent un langage et des équations de math pour décrire des phénomènes psychologiques et/ou neuronaux
- ils vont simuler, à l’aide d’ordi, les étapes de processus psychologiques et/ou neuronaux en utilisant le langage mathématique et informatique
Modèles computationnels:
quest ce que le Horace Barlow,1961 découvre
découvre que des neurones s’activent dans certaines situations = efficient coding models
cest des modèles théoriques ou computationnels qui découvrent la prédictibilité dans l’input sensoriel pour encoder le monde efficacement.
**
expliquent le traitement neuronal en supposant que les systèmes sensoriels s’adaptent à la prévisibilité dans les environnements naturels de manière à encoder économiquement les entrées sensorielles prévisibles tout en mettant en évidence les entrées qui sont moins prévisibles**
Modèles computationnels
que stipule (Horace Barlow,1961) sur le traitement de l’info par les sytemes sensoriels
que ce traitement devrait etre adapté aux stimuli naturels
ex : Les neurones du système visuel (ou auditif) devraient être optimisés pour encoder les images (ou les sons) qui sont représentatifs de ceux rencontrés dans la nature.
en gros : on est présenté devant un stimulus, on a prob deja été présenté ce stimulus avant donc on se sert de nos expériences passées
Modèles computationnels
quest ce que les modèles Bayésiens et qui a inventé cela
Utilise les statistiques bayésiennes pour construire des prédictions (predictive coding) à partir de nos connaissances antérieures de l’environnement.
c’est quoi la probabilité que événement X se produise par événement Y
inventeur : thomas BAYES
Modèles computationnels
dans les modèles bayésiens, karl friston explique un autre principe (plus récent), lequel
Le principe de l’énergie disponible (free energy principle) est une formulation explicite qui explique comment les systèmes vivants et non-vivants sont en états non-équilibrés mais stables en se limitant à une quantité limitée d’états possibles.
modèles computationnels - Le principe de l’énergie disponible
karl friston explique 4 composantes du principe de free energy
- Homeostasie:
● tous les êtres vivants cherchent à maintenir un état interne stable face aux changements de leur environnement. - Minimisation de l’Énergie Libre:
● Minimiser activement l’énergie libre (une mesure de l’incertitude ou de la surprise aux
stimuli). c.a.d. réduire l’écart entre les prédictions et les entrées sensorielles. (minimer la surprise, en étant prêt à faire face à) - Modèles Prédictifs:
● Le cerveau est vu comme un organe qui crée constamment des modèles prédictifs du
monde. Ces modèles sont continuellement mis à jour en fonction des erreurs de prédiction (la différence entre les prédictions et les expériences réelles). = le cerveau étudie le passé pour prédire le futur - Adaptation et Apprentissage:
● Le cerveau apprend des régularités de leur environnement pour faire de meilleures
prédictions et ainsi minimiser l’énergie libre.
Modèles computationnels
En 1943 McCulloch et Pitts ont proposé quoi
proposent un modèle simplifié de neurone et ont montré comment des réseaux de ces neurones artificiels pourraient effectuer des opérations de calcul complexes. = RÉSEAUX DE NEURONES
(à partir de cela que les modèles connexionnistes ont émergés)
Modèles computationnels
qui sont les 3 pionners des réseaux de neurones articifiels
Modèles computationnels
explique les réseaux de neurones artificiels (profonds) et avant 2012 et apres comment est le taux de reponses correctes
Des neurones biologiques sont simulés avec des modèles à couches traitant l’input, et massivement interconnectés avec des unités d’output qui peuvent soit s’exciter ou s’atténuer mutuellement.
couches par couches jusqu’à temps que la prédiction soit bonne
puis apres ca découle Deep convolutional neural networks, recurrent convolutional neural networks, Transformer networks (see Bengio and Attention on AI.)
avant 2012: 25% de reponses correctes
apres 2012 : 96% de reponses correctes
Modèles computationnels
quest ce que l’Apprentissage profond (Deep Learning)
Deep neural nets (DNNs), sont des réseaux de neurones artificiels (ANNs) qui ont un très grand nombre de couches et des centaines de millions de paramètres entre les couches d’input et d’output (décision reliée à la tâche).
Les DNNs sont excellent pour des tâches de catégorisation
o Exemples: reconnaître les objets et leurs catégories (AlexNet; ResNet), comprendre le langage parlé (Gopher; GPT-3; Mégatron).
Le prob de la perception:comment avoir des connaissances vraies du monde
est ce que notre expérience du monde est réaliste?
nos connaissances sont véridiques, pcq
1. il y a correspondance entre nos perceptions et le monde extérieur.
2. Autrement dit, notre appareil perceptif est bien adapté à l’environnement.
Le prob de la perception:comment avoir des connaissances vraies du monde
mais comment est le processus pour se rendre
Nous avons conscience (“awareness”,en anglais) seulement du produit final de nos processus perceptuels. Cependant, les chercheurs en vision s’intéressent à tous les processus–conscients et inconscients–qui interviennent entre le moment où les photons atteignent les récepteurs rétiniens (le stimulus “proximal”) et la prise de conscience ou la catégorisation d’une scène visuelle.
quest ce qu’un pseudo-paradoxe
C’est un énoncé qui semble mener à sa négation; ici, cependant, le raisonnement ne résiste pas à l’analyse.
ex : Plus il y a de “gruyère”plus il y a de trous. Plus il y a de trous moins il y a de “gruyère”. Donc plus il y a de “gruyère” moins il y a de gruyère (pseudo-paradoxe du gruyère).
Un pseudo-paradoxe de la perception
Si le monde est tel que nous le percevons, notre système visuel est aussi tel que nous le percevons :
le monde tridimensionnel
se projette donc sur nos deux rétines bidimensionnelles…
Un pseudo-paradoxe de la perception
explique la perte de l’info visuelle précoce
notre rétine est bidimensionnelle, le monde est tridemensionnelle.
un objet tridimensionnel pourrait avoir la même projection sur notre rétine bidimensionnelle que le carré (pareil pour les lignes)