La configuration prospective mieux que l’apprentissage par rétropropagation

Temps de lecture : 2 minutes

Pour ce que j'en ai compris, cette nouvelle méthode d'apprentissage automatique se rapproche plus du fonctionnement de notre cerveau (notamment des réseaux sensori-moteurs basés sur l'énergie), en recherchant d'abord la bonne configuration du réseau de neurones donnant le bon résultat, pour changer seulement ensuite le poids des synapses. Cela se révélerait bien plus efficace que la rétropagation arrêtant tout pour corriger les erreurs en modifiant immédiatement le poids des synapses avant de refaire le calcul.

Ainsi, d’une part, nous démontrons que la configuration prospective effectue un apprentissage plus efficient et rapide que la rétropropagation dans diverses situations auxquelles sont confrontés les systèmes biologiques, telles que l’apprentissage de structures profondes, l’apprentissage en ligne, l’apprentissage avec un nombre limité d’exemples, l’apprentissage dans des environnements changeants, l'apprentissage en continu avec des tâches multiples et l'apprentissage par renforcement. D'autre part, nous démontrons que les modèles d'activité et de comportement neuronaux dans diverses expériences d'apprentissage chez l'homme et l'animal, notamment l'apprentissage sensorimoteur, le conditionnement par la peur et l'apprentissage par renforcement, peuvent être naturellement expliqués par une configuration prospective mais pas par rétropropagation.

Cela promet des IA plus légères et rapides, nécessitant beaucoup moins de données et d'énergie, ce qui est une limitation actuelle.

Source : Déduire l'activité neuronale avant la plasticité comme fondement de l'apprentissage au-delà de la rétropropagation | Neurosciences naturelles

96 vues