Modélisation de l'apprentissage ascendant des connaissances explicites dans une architecture cognitive hybride

Hélie, Sébastien (2007). « Modélisation de l'apprentissage ascendant des connaissances explicites dans une architecture cognitive hybride » Thèse. Montréal (Québec, Canada), Université du Québec à Montréal, Doctorat en informatique cognitive.

Fichier(s) associé(s) à ce document :
[img]
Prévisualisation
PDF
Télécharger (9MB)

Résumé

Le but de la présente recherche est de développer une théorie unificatrice de la cognition humaine et de proposer un modèle l'implémentant. Pour ce faire, les architectures cognitives existantes (ACT-R, SOAR, EPIC et CLARION) ont été comparées à l'aide du test de Newell et du décathlon cognitif proposé par Sun. Parmi les architectures recensées, CLARION est la seule à expliquer l'apprentissage ascendant des connaissances explicites, en plus d'expliquer l'interaction synergique entre les connaissances explicites et implicites. L'importance de ces deux phénomènes, tant aux niveaux théorique qu'empirique, ainsi que l'absence de leur explication dans la plupart des architectures cognitives connues, justifie leur emphase dans la théorie développée. De plus, la théorie proposée postule que les connaissances implicites se développent de façon autonome et que les connaissances explicites sont incertaines. Afin de modéliser les connaissances implicites, un réseau connexionniste non-supervisé doit être développé. Pour ce faire, deux grandes familles de modèles connexionnistes non-supervisés ont été comparées à l'aide de simulations : les réseaux compétitifs et les mémoires associatives. Les résultats montrent que seules les mémoires associatives sont en mesure d'effectuer une estimation de la densité environnementale; ce type de modèle doit donc être inclus dans la modélisation des connaissances implicites. Cependant, aucune des mémoires associatives existantes n'est en mesure de construire complètement les connaissances explicites (apprentissage ascendant des règles et des symboles). Ainsi, une nouvelle mémoire associative bidirectionnelle est développée (JPEX). JPEX est en mesure d'extraire les états de l'environnement (symboles) et d'estimer leur distribution conjointe. Les connaissances explicites sont modélisées à l'aide d'un réseau de connaissances Bayesien. Comme ce dernier est un graphe d'indépendances qui représente une distribution conjointe, celui-ci peut être construit directement à partir des poids de connexions de JPEX. Le réseau de connaissances Bayesien résultant peut être interprété comme un ensemble de règles incertaines. Une fois ces deux modules en place, le modèle complet peut être implémenté. L'architecture cognitive proposée s'appelle TEnsor LEarning of CAusal STructure (TELECAST). Cette implémentation de la théorie unificatrice développée tient compte de toutes les contraintes énumérées. À l'aide de TELECAST, une tâche d'inférence de structures causales et une tâche d'apprentissage de séquences sont modélisées. Les résultats montrent que TELECAST fait au moins aussi bien qu'un modèle spécifiquement développé pour la tâche d'inférence causale, tout en étant assez général pour modéliser d'autres expériences. Dans la tâche d'apprentissage de séquences, TELECAST prédit plus précisément les données empiriques que les modèles qui le précèdent, tout en ayant moins de paramètres libres. Cet accord entre les prédictions de TELECAST et les données colligées en psychologie cognitive, ainsi que la localité des calculs effectués, confirment la plausibilité psychologique de cette nouvelle architecture cognitive. Pour conclure, TELECAST est évalué à l'aide du test de Newell ainsi que du décathlon cognitif proposé par Sun. Cette évaluation permet de mettre en évidence l'absence d'un élément important dans TELECAST, soit une procédure d'apprentissage descendant. Des travaux futurs liés à l'ajout de cette procédure permettront à TELECAST d'expliquer l'automatisation des activités routinières chez les participants humains. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : modèle hybride, apprentissage ascendant, réseau connexionniste, réseau Bayesien, architecture cognitive.

Type: Thèse ou essai doctoral accepté ()
Informations complémentaires: La thèse a été numérisée telle que transmise par l'auteur.
Directeur de thèse: Proulx, Robert
Mots-clés ou Sujets: Architecture cognitive / Modélisation / Connexionnisme (Informatique) / Apprentissage explicite / Connaissance explicite
Unité d'appartenance: Faculté des sciences > Département d'informatique
Déposé par: Service des bibliothèques
Date de dépôt: 14 janv. 2019 14:36
Dernière modification: 14 janv. 2019 14:36
Adresse URL : http://archipel.uqam.ca/id/eprint/12071

Statistiques

Voir les statistiques sur cinq ans...