Colloque

L’effet du désapprentissage dans les modèles autoassociatifs de la catégorisation

Robert Proulx

Nicolas Ledoux

Jean Bégin

Membre a labase

Robert Proulx

Résumé du colloque

L'implantation de systèmes efficaces de vision artificielle dans la complexité du monde naturel repose essentiellement sur l'élaboration de modèles adéquats pour la catégorisation de l'information dans des univers mal définis. À ce titre, les modèles connexionnistes et les systèmes à base de réseaux de neurones possèdent de nombreux avantages sur les modèles classiques de type computationnel. En effet, leur structure massivement parallèle et distribuée, de même que le rappel de type associatif et la représentation vectorielle dans ces modèles, leur attribue naturellement une capacité de généralisation et de résistance optimales par rapport au bruit environnant. De plus, le fait que ces propriétés résultent d'un processus d'apprentissage les rend parfaitement adaptés à des situations où la structure des catégories est inconnue et où il est, par conséquent, impossible de s'appuyer sur des caractéristiques pré-définies. Parmi les modèles connexionnistes proposés, le modèle EIDOS (Bégin et Proulx, 1996) apparaît particulièrement intéressant. En effet, grâce à sa structure auto-associative et sa double règle hebbienne et anti-hebbienne utilisée pour l'apprentissage, celui-ci permet une modélisation naturelle de la catégorisation, tout en assurant la stabilisation du processus d'apprentissage. Toutefois, comme pour tous les modèles de sa catégorie, sa sélectivité dépend généralement de l'ajustement précis de certains de ses paramètres libres, ce qui limite à la fois sa généralité et sa plausibilité biologique. Dans cet exposé, nous présentons les principaux résultats de simulation obtenus suite à l'introduction dans le modèle EIDOS d'une procédure de désapprentissage, semblable à celle utilisée par Crick et Mitchison (1983). Ces résultats montrent clairement que le système peut parfaitement se stabiliser et engendrer les mêmes propriétés optimales de catégorisation, sans toutefois avoir recours à des ajustements particuliers de ses paramètres libres. La discussion porte sur la robustesse du désapprentissage, de même que sur son impact sur le modèle et ses applications en vision artificielle dans le domaine de la reconnaissance des caractères optiques.