Service Communautaire d'Information sur la Recherche et le Développement - CORDIS

Un modèle unifié d'inférence de la perception

Les modèles neuro-informatiques ne sont pas parvenus à reproduire ou simuler l'inférence de la perception dans des conditions naturalistes. Des chercheurs européens ont remédié à cette situation en proposant un modèle opposé aux modèles neuronaux classiques actuels d'intégration perceptive.
Un modèle unifié d'inférence de la perception
Dans le cadre du projet CEMNET (A unified framework for perceptual inference in sensory cortices), des scientifiques ont mis au point un modèle d'unification de la perception appelé Constrained Entropy Maximisation Network (CEMNet). Ce modèle a résolu les problèmes d'inexactitude des précédents modèles neuronaux avec les environnements naturalistes et les preuves sensorielles liées.

Le modèle CEMNet intègre une composante théorique et une composante expérimentale. Le modèle de calcul représente par une architecture neurale biologiquement plausible le comportement dans différents environnements de perception. Pour représenter l'environnement, des unités dédiées codent la présence de caractéristiques perceptives spécifiques ainsi que leur association. Les unités de contrainte ont permis de détecter le scénario le plus probable en cas de présentation d'une preuve sensorielle. Les scientifiques ont également déduit des règles de plasticité dans le but de déterminer les connexions entre les unités neuronales.

Les chercheurs du projet CEMNET ont collecté des données expérimentales sur l'intégration perceptive en soumettant des participants humains à une tâche de perception visuelle dans laquelle des corrélations avaient été introduites. Grâce à des techniques d'apprentissage machine sophistiquées telles que l'optimisation en fonction des attentes, ils ont étudié la façon dont les participants ont intégré la preuve sensorielle liée. Ils ont constaté que la preuve expérimentale est conforme au modèle CEMNet.

Des simulations ont démontré la capacité du cadre CEMNet à gérer les environnements complexes et à représenter de manière exacte l'inférence perceptive. Parmi les principaux résultats du projet CEMNET, les chercheurs ont mis en évidence le rôle joué par l'expérience dans la construction de catégories de perceptions intégrées en utilisant des preuves sensorielles pour la prise de décision.

Le modèle CEMNET pourrait aider à comprendre la perception et la déformation de la perception chez des sujets sains et d'autres présentant des pathologies telles que la schizophrénie.

Informations connexes

Mots-clés

Modèle, inférence de la perception, CEMNET, Constrained Entropy Maximisation Network