← Derniers articles
🤖 apprentissage automatique

Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators

Cet article introduit une approche basée sur les réseaux de neurones qui étend l'estimation bayésienne neuronale pour inférer des séquences de variables latentes variant dans le temps à partir de modèles cognitifs tant tractables qu'intractables, permettant ainsi des analyses neuronales et des tests de théorie basés sur des modèles plus larges.

Auteurs originaux : Ti-Fen Pan, Jing-Jing Li, Bill Thompson, Anne Collins

Première parution 2024-12-19 · Mis à jour 2026-11-16✓ Author reviewed ⓘ
📖 5 min de lecture🧠 Analyse approfondie

Auteurs originaux : Ti-Fen Pan, Jing-Jing Li, Bill Thompson, Anne Collins

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le comportement humain est rarement une ligne droite et simple allant du stimulus à la réponse. Lorsqu'une personne ou un animal fait un choix, cette décision est souvent la pointe visible d'un processus beaucoup plus vaste et invisible qui se déroule à l'intérieur de l'esprit. Les scientifiques appellent ces processus cachés des « variables latentes ». Ce sont les états internes — comme un changement soudain d'attention, une modification de la croyance quant à l'action qui apportera une récompense, ou une règle momentanée que le cerveau suit — qui dictent ce que nous voyons à l'extérieur. Comprendre ces états cachés est crucial pour les chercheurs qui veulent savoir comment le cerveau soutient la pensée et l'apprentissage. Pendant des décennies, la méthode standard pour découvrir ces états internes a consisté à construire un modèle mathématique du comportement, à trouver les meilleurs nombres qui ajustent le modèle aux données, puis à exécuter à nouveau le modèle pour voir ce qu'il disait des états cachés. Cependant, cette méthode traditionnelle se heurte à un mur difficile lorsque les modèles deviennent trop complexes. De nombreuses théories intéressantes sur le fonctionnement de l'esprit impliquent des calculs si difficiles à résoudre que les outils mathématiques standards ne peuvent tout simplement pas trouver les réponses. Cela a laissé un vaste paysage de théories cognitives inexploré, car les scientifiques manquaient d'un moyen de regarder à l'intérieur de la boîte noire du comportement complexe.

Une équipe de chercheurs de l'Université de Californie à Berkeley a développé un nouvel outil pour contourner ce mur, permettant aux scientifiques de voir ces états cachés même dans les modèles les plus compliqués. Ils appellent leur méthode LaseNet. Au lieu d'essayer de résoudre directement les équations mathématiques difficiles, les chercheurs ont entraîné un système d'intelligence artificielle pour apprendre la relation entre ce qu'un animal fait et ce qu'il est susceptible de penser. Pour ce faire, ils ont créé des milliers d'expériences simulées où ils connaissaient les réponses exactes. Dans ces simulations, ils ont généré des données qui ressemblaient à un comportement réel — choix, récompenses et erreurs — et les ont associées aux états cachés connus qui les ont causés. Ils ont injecté cette immense bibliothèque de « ce qui s'est passé » et de « ce qui était pensé » dans un type de réseau neuronal, un système informatique conçu pour reconnaître des motifs dans des séquences d'événements. Le réseau a appris à observer une séquence d'actions et de résultats pour prédire l'état mental caché qui les a produits, apprenant ainsi efficacement à traduire le comportement en pensée sans jamais avoir besoin de résoudre la mathématique complexe sous-jacente.

Les chercheurs ont testé cette nouvelle approche sur une variété de modèles cognitifs, allant de scénarios d'apprentissage simples à des tâches de prise de décision hiérarchiques complexes. Dans les cas où les anciennes méthodes fonctionnaient, LaseNet était tout aussi performant, suivant avec précision les variables cachées. Mais sa véritable puissance s'est manifestée dans les modèles où les anciennes méthodes échouaient ou peinaient. Pour les modèles dont les mathématiques étaient trop difficiles à résoudre directement, les approches traditionnelles ne pouvaient soit pas fonctionner du tout, soit nécessitaient des outils statistiques personnalisés extrêmement lents et sujets à l'erreur. LaseNet, en revanche, gérait ces cas difficiles avec aisance. Dans les simulations, il a identifié les états cachés avec un niveau de précision qui surpassait les meilleures techniques existantes, récupérant les véritables états internes avec beaucoup moins d'erreurs. Il a réussi à suivre à la fois des variables continues, comme la valeur changeante d'une récompense, et des variables discrètes, comme un changement soudain de stratégie ou d'attention.

Pour prouver qu'il ne s'agissait pas seulement d'une méthode fonctionnant sur des données fictives, l'équipe a appliqué LaseNet à des données réelles collectées sur des souris. Dans une expérience, des souris naviguaient dans une tâche où les récompenses changeaient de manière imprévisible, exigeant qu'elles mettent constamment à jour leurs règles internes. Les chercheurs ont utilisé LaseNet pour inférer les états d'attention interne des souris et leurs attentes de récompense. Les résultats correspondaient aux schémas trouvés par les méthodes traditionnelles là où celles-ci pouvaient être appliquées, mais LaseNet a fourni une image claire et continue des états internes des souris tout au long de la tâche. Dans une autre étude impliquant une tâche de décision visuelle, la méthode a identifié avec succès quand les souris étaient pleinement engagées ou quand elles étaient biaisées vers un côté, révélant les changements dynamiques de leur concentration mentale. L'approche fonctionnait pour des animaux individuels, ce qui signifie qu'elle pouvait être utilisée pour étudier le style cognitif unique d'un seul sujet plutôt que de simplement moyenner le comportement d'un groupe entier.

La portée de ce travail réside dans sa capacité à ouvrir des portes qui étaient auparavant verrouillées. En éliminant le besoin de calculs mathématiques complexes et souvent impossibles, LaseNet permet aux chercheurs de tester un éventail beaucoup plus large de théories sur le fonctionnement de l'esprit. Les scientifiques peuvent désormais proposer des modèles qui étaient auparavant trop difficiles à analyser et toujours obtenir des réponses sur les processus cachés qui dirigent le comportement. La méthode est assez flexible pour gérer différents types de données et différents types d'états mentaux, et elle fonctionne efficacement sur des ordinateurs standards sans nécessiter une puissance de calcul massive. Bien que l'outil ne fournisse pas encore de moyen de mesurer l'incertitude de ses propres conjectures, et qu'il dépende de la qualité des modèles utilisés pour l'entraîner, il représente un pas en avant majeur. Il transforme l'étude des modèles cognitifs d'un domaine limité par la tractabilité mathématique en un domaine limité uniquement par la créativité des théories que les chercheurs souhaitent explorer, offrant une fenêtre plus claire sur la machinerie dynamique et cachée de l'esprit.

Noyé(e) sous les articles dans votre domaine ?

Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.

Essayer Digest →