Product Design, Manufacturing & Innovation Resources
Maison » Modèles bayésiens de cognition

Modèles bayésiens de cognition

2000
  • Thomas Bayes
  • Joshua Tenenbaum
  • Thomas Griffiths
Laboratoire de recherche en psychologie cognitive avec analyse de modèles bayésiens.

(Image générée à titre d'illustration uniquement)

Les modèles bayésiens de la cognition conçoivent l'esprit comme un moteur d'inférence probabiliste. Cette approche postule que le cerveau représente la connaissance sous forme de distributions de probabilité et met à jour ces croyances à la réception de nouvelles preuves, conformément au théorème de Bayes. Elle modélise la perception, l'apprentissage et le raisonnement comme une inférence statistique optimale ou quasi optimale en situation d'incertitude, offrant ainsi un cadre mathématique unificateur. cadre pour de nombreuses fonctions cognitives.

Le cœur de cette approche est la règle de Bayes : P(H|D) = P(D|H)P(H)/P(D), où H représente une hypothèse et D les données observées. La probabilité a posteriori P(H|D) (croyance en l'hypothèse après observation des données) est proportionnelle au produit de la vraisemblance P(D|H) (la capacité de l'hypothèse à expliquer les données) et de la probabilité a priori P(H) (croyance initiale en l'hypothèse). Ce cadre théorique fournit un référentiel normatif sur la manière dont un agent rationnel doit actualiser ses croyances.

En sciences cognitives, cette approche est appliquée en supposant que l'esprit effectue implicitement ces calculs. Par exemple, en perception, le cerveau combine des entrées sensorielles bruyantes (les données) avec des connaissances antérieures sur le monde pour former un percept stable (l'a posteriori). Cela peut expliquer de nombreuses illusions visuelles, où les attentes antérieures prennent le pas sur les données sensorielles. En apprentissage du langage, un enfant peut utiliser l'inférence bayésienne pour comprendre le sens d'un nouveau mot en examinant le sens potentiel qui explique le mieux les contextes dans lesquels il a été utilisé. Cette approche est puissante car elle fournit un cadre mathématique unifié pour divers phénomènes cognitifs et relie directement la cognition aux statistiques et à l'apprentissage automatique.

UNESCO Nomenclature: 6105
Psychologie expérimentale

Taper

Système abstrait

Perturbation

Substantiel

Usage

Technologie émergente

Précurseurs

  • Bayes’ theorem by Thomas Bayes and Pierre-Simon Laplace
  • théorie des probabilités
  • théorie de l'information par Claude Shannon
  • théorie de la détection du signal en psychologie

Applications

  • modélisation de la perception visuelle et des illusions
  • théories de l'acquisition du langage et de l'apprentissage des mots
  • modèles de raisonnement causal et de prise de décision
  • neurosciences computationnelles
  • algorithmes d'apprentissage automatique tels que les réseaux bayésiens et les filtres de Kalman

Brevets:

NA

Idées d'innovations potentielles

En raison du trafic généré par les robots de scraping, actuellement supérieur à 40 000 par jour, ce contenu est réservé aux membres de la communauté.
> Connexion < ou > Registre < (100% gratuit) pour y accéder, ainsi qu'à tous les autres contenus et outils à accès restreint.

En lien avec : cognition bayésienne, modèles probabilistes, théorème de Bayes, modélisation informatique, sciences cognitives, inférence statistique, incertitude, probabilité a priori, probabilité a posteriori, Joshua Tenenbaum.

Contexte historique

Modèles bayésiens de cognition

1941
1986
1990
2000
1950
1990
1990

(si la date est inconnue ou non pertinente, par exemple « mécanique des fluides », une estimation arrondie de son émergence notable est fournie)

Inventions, innovations et principes techniques connexes

Les images en pleine résolution et les téléchargements sont uniquement disponibles, et 100% gratuits, pour les membres inscrits.