Cours 2012: Le cerveau statisticien: L é l ti B é i i iti La révolution

Cours2012:
Lecerveaustatisticien:
Lélti
Béi
iiti
L
ar
é
vo
l
u
ti
on
B
ay
é
s
i
enne ensc
i
encescogn
iti
ves
Stanislas Dehaene
Stanislas
Dehaene
ChairedePsychologieCognitiveExpérimentale
Coursn°7
Lecerveauvucommeunsystèmeprédictif

Lanotionde«codageprédictif »(predictive coding)
Mumford,1992;Rao&Ballard,1999;Friston,2005
L’hypothèsedu«cerveauBayésien »
suggèrequenotrecerveauinfère,à
partir des entrées sensorielles, un
partir
des
entrées
sensorielles,
un
modèleinterne dumondeextérieur.
Asontour,cemodèleinternepeutêtre
utilisé pour créer des
anticipations
sur
utilisé
pour
créer
des
anticipations
sur
lesentréessensorielles…
etuneffetdesurprise liéeàl’erreurde
prédiction
quand celles
‐
ci sont violées
prédiction
quand
celles
‐
ci
sont
violées
.

Lanotionde«codageprédictif »
(
p
redictive coding)
L’idéequelecerveaun’estpasundispositifpassif
d’entrée‐sortie,maisunsystèmeactifcapablede
g
énérerdes
p
rédictionsetd’envérifierlavalidité
,
g p ,
aunelonguehistoiredanslesdomainesde
l’éthologie,delapsychologie,etdesneurosciences.
v
o
ir
pa
r
e
x
e
m
p
l
e
l
es
co
n
cepts
de
cop
i
e
opa ee pees co cepts de cop e
efférente(von Helmholtz,von Holst),decritique
interne(Sutton &Barto)oudeprédictiondela
récom
p
ense
(
Schultz
)
p()
Lesavantagesensontnombreux:
‐gagnerdutemps:anticiper,c’estavoirl’informationàl’avance,parfoisavantmême
qu
’
elle atteigne nos récepteurs sensoriels
qu elle
atteigne
nos
récepteurs
sensoriels
‐filtrerlesentrées:utiliserlepassépourprédireleprésent,c’estbénéficierd’unfiltre
optimalquipeutaideràinterpréteruneentréebruitée,voireremplacertotalementun
stimulus masqué manqué ou absent
stimulus
masqué
,
manqué
ou
absent
.
‐simplifierl’architectureetletraitementdesdonnées:iln’estpaslapeinedereprésenter
oudetransmettrecequel’onpeutprédire.
i d
ifé il
ii libl (
h|
)d’ dèl d
‐t
i
rer
d
es
i
n
fé
rencesopt
i
ma
l
es:max
i
m
i
ser
l
avra
i
sem
bl
ancep
(
h|
e
)
d’
unmo
dèl
e
d
es
entréessensoriellesimpliquedeminimiserl’erreurdeprédictionsurcesentréese.
(Mumford,1992;Rao&Ballard,1999;Friston,2005).

Lecerveau,l’algorithmeE‐Metleprincipedel’énergielibre
Friston K (2010) The free
-
energy principle: a unified brain theory?
Nat Rev
Neurosci
11(2) 127
138
PourKarlFriston,l’hypothèseducodageprédictif s’inscritdansuncadrethéorique
beaucouppluslarge,leprincipedeminimisationdel’énergielibre:
Friston
,
K
.
(2010)
.
The
free
-
energy
principle:
a
unified
brain
theory?
Nat
Rev
Neurosci
,
11(2)
,
127
-
138
.
‐«toutsystèmeauto‐organiséenéquilibreavecsonenvironnementdoitminimiserson
énergielibre »
‐Leprincipedel’énergielibreestune« formulationmathématiquedelamanièredontles
agentsbiologiquesrésistentàlatendancenaturelleaudésordre »:ils« maintiennent leur
étatdansunenvironnementchangeant ».
‐Lesétatsdel’organismedoiventdoncêtredebasseentropie:«lesagentsbiologiques
di t ii i l à l t d l i
d
o
i
ven
t
m
i
n
i
m
i
ser
l
amoyenne
à
l
ong
t
erme
d
e
l
asurpr
i
se ».
‐L’énergielibreestuneéquationmathématiquequidonneunebornesupérieuresurla
surprise:«silesagentsminimisentl’énergielibre,ilsminimisentimplicitementlasurprise ».
Dans le domaine de la perception le principe conduit à
optimiser les inférences
‐
Dans
le
domaine
de
la
perception
,
le
principe
conduit
à
optimiser
les
inférences
perceptives.«L’agentinfèreoureprésente,defaçonimplicite,lescausesdesesentrées
sensoriellesselonlesprincipesdel’inférenceBayésienne optimale »
L
’
énergie libre peut être maximisée par l
'
algorithme EM
(
Expectation
‐
Maximisation
)proposé
Lénergie
libre
peut
être
maximisée
par
l
algorithme
EM
(
Expectation
‐
Maximisation
)
,
proposé
parDempsteretal.(1977):uneprocédureitérative qui,enalternantdeuxétapes(EetM)de
façonrépétée,permetdetrouverle maximumdevraisemblance oulemaximumaposteriori
des paramètres d
’
un modèle probabiliste.
des
paramètres
dun
modèle
probabiliste.
FristonproposequelecerveauutiliseunalgorithmeEM,cequi,silemodèlegénérateurest
Gaussien,revientàpropagerdeserreursdeprédiction.

Versunethéoriegénéraledel’organisationducortex?
Friston, K.
(
2005
)
. A theor
y
of cortical res
p
onses. Philos Trans R Soc
L
ond
B
B
io
l
Sci, 360
(
1456
)
, 815-836.
() y p
()
Nossensationssontgénéréesparunréseaucomplexeethiérarchiquedecauses.
Notrecortexchercheàinversercemodèle(ausensdeBayes):inférerlescausescachéesde
nos sensations àtous les niveaux.
nos
sensations
à
tous
les
niveaux.
Laformalisationdeceproblèmeinviteà(1)assigneràchaqueniveaud’inférencecausale
uneairespécifique(2)utiliserunalgorithmebidirectionneldepassationdemessages.
L d h
•
L
esneurones
d
escouc
h
es
inférieuresimplémententla
représentationdescauses.
•
Les connections
•
Les
connections
descendantes implémentent
lemodèleprédictif(forward
model)
:la prédiction du
model)
:
la
prédiction
du
niveaun,surlabasedes
connaissancesauniveaun+1.
•
Les connections
ascendantes
,
Les
connections
ascendantes
,
issuesdescouches
supérieuresducortex,
transmettentl’erreurde
prédiction:ladifférenceentre
l’entréereçueetsaprédiction.