Veuillez choisir le dossier dans lequel vous souhaitez ajouter ce contenu :
Résumé de la communication
L'introduction dans les modèles connexionnistes non supervisés d'algorithmes d'apprentissage itératifs, lesquels assurent la convergence de la matrice de connexions vers une matrice de projection, a permis à ces derniers de surmonter les difficultés de stabilisation des poids, sans toutefois régler le problème du développement d'attracteurs indésirables correspondants aux combinaisons linéaires des prototypes. Or, pour être efficace, tout modèle de la catégorisation ne doit permettre de stabiliser que les attracteurs correspondants aux prototypes. La présente étude se propose donc d'introduire un nouveau modèle de la catégorisation qui permet d'éviter ces problèmes et de démontrer sa validité par le biais de simulations sur ordinateur. Essentiellement, le modèle est caractérisé par une règle de transmission non-linéaire avec seuil de saturation, ainsi que d'une règle d'apprentissage hebbienne et anti-hebbienne. Ces règles formelles permettent d'étudier le comportement du réseau lors de simulations d'une tâche de catégorisation. Par la présentation de stimuli aléatoires, nous avons été en mesure de connaître quels sont les attracteurs développés par le réseau. De plus, nous avons étudié sa performance de catégorisation en effectuant plusieurs tests de rappel à partir de prototypes contaminés par le bruit. Les résultats montrent que le réseau développe exactement le même nombre d'attracteurs que de prototypes dans la tâche d'apprentissage. De plus, l'absence d'attracteurs indésirables permet au réseau d'obtenir une performance supérieure par rapport aux autres modèles basés sur des matrices de projection. Il est donc conclu que ce nouveau modèle constitue une avenue de choix pour la modélisation de la mémoire associative chez l'humain.
Vous devez être connecté pour ajouter un élément à vos favoris.
Veuillez vous connecter ou créer un compte pour continuer.
Outils de citation
Citer cet article :
MLA
APA
Chicago
Ajouter un dossier
Vous pouvez ajouter vos contenus préférés à des dossiers organisés. Une fois le dossier créé,
vous pouvez ajouter un article ou un contenu de la liste ou de la vue détaillée au dossier sélectionné dans la liste.