Bayesian Algorithmic Modeling in Cognitive Science - CNRS - Centre national de la recherche scientifique Accéder directement au contenu
Hdr Année : 2015

Bayesian Algorithmic Modeling in Cognitive Science

Modélisation bayésienne algorithmique en science cognitive

Julien Diard

Résumé

In the domain of modeling sensorimotor systems, whether they are artificial or natural, we are interested in defining and studying structured probabilistic models of cognitive functions and cognitive representations. To do so, we use the Bayesian Programming framework, originally developed in the domain of robotic programming. It provides a mathematically unified language to express and manipulate knowledge, in arbitrarily complex models. We apply it to cognitive modeling, obtaining Bayesian Algorithmic Models of several perception and action systems. We thus define the BAP model for isolated cursive letter reading and writing, the BRAID model for word recognition, the COSMO-Emergence model for communication code emergence, the COSMO-Perception model for syllable perception, and the COSMO-Production model for phoneme sequence production. We then discuss the place of Bayesian Algorithmic Modeling in the current panorama of Bayesian modeling in Cognitive Science, arguing for the need for a clear distinction between computational and algorithmic accounts of cognitive functions, and advocating a model comparison methodology for exploring and constraining the properties of complex probabilistic models in a formally principled manner.
Dans le domaine de la modélisation des systèmes sensorimoteurs, qu’ils soient artificiels ou naturels, nous nous intéressons à la définition et à l’étude de modèles probabilistes structurés des fonctions et représentations cognitives. Dans ce but, nous utilisons le formalisme de la Programmation Bayésienne, développé initialement dans le domaine de la programmation robotique. Il offre un langage mathématiquement unifié pour exprimer et manipuler des connaissances, dans des modèles arbitrairement complexes. Nous l’appliquons à la modélisation cognitive, pour obtenir des Modèles Bayésiens Algorithmiques de plusieurs systèmes perceptifs et moteurs. De cette manière, nous définissons le modèle BAP pour la lecture et l’écriture de lettres cursives isolées, le modèle BRAID pour la reconnaissance de mots, le modèle COSMO-Emergence pour l’émergence de codes de communication, le modèle COSMO-Perception pour la perception des syllabes, le modèle COSMO-Production pour la production de séquences de phonèmes. Nous discutons enfin la place de la Modélisation Bayésienne Algorithmique dans le panorama actuel de la modélisation bayésienne en Science Cognitive, défendant le besoin d’une distinction claire entre les explications computationnelles et algorithmiques des fonctions cognitives, et proposant une méthodologie de comparaison de modèles pour explorer et contraindre les propriétés de modèles probabilistes complexes, d’une manière systématique.
Fichier principal
Vignette du fichier
HDR_Diard.pdf (7.36 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-01237127 , version 1 (02-12-2015)

Identifiants

  • HAL Id : tel-01237127 , version 1

Citer

Julien Diard. Bayesian Algorithmic Modeling in Cognitive Science. Computer science. Université Grenoble Alpes, 2015. ⟨tel-01237127⟩
198 Consultations
618 Téléchargements

Partager

Gmail Facebook X LinkedIn More