Le connexionnisme

Mots clés : connexionnisme, réseau neuromimétique, réseau de neurones artificiels, perceptron, perceptron multi-couches, carte auto-organisatrice, classification, statistique .

Le connexionnisme peut être défini comme l'étude de graphes d'unités simples interconnectées, effectuant des calculs numériques élémentaires à partir de leurs entrées et de paramètres internes. On connaît plus particulièrement le connexionnisme neuromimétique qui étudie les réseaux de neurones artificiels comme les modèles de perceptron ou les cartes auto-organisatrices. Ces modèles ont été largement étudiés sous l'angle de leurs capacités d'apprentissage et de leurs similitudes avec des classifieurs statistiques (c'est ainsi que l'on peut qualifier le perceptron multicouches ``d'approximateur universel''). Par ailleurs, d'autres modèles tentent de revenir vers les fondements du connexionnisme et sont développés en s'inspirant de la biologie ( cf. § 3.3), afin d'obtenir des modèles de neurones plus réalistes ou de viser des tâches relatives à la modélisation du comportement.

Une autre caractéristique remarquable des réseaux de neurones artificiels est qu'ils ont été appliqués avec succès à un grand nombre de tâches (mise en correspondance, prédiction, contrôle) dans des domaines très différents (traitement de signal et de données, procédés industriels, finance, médecine). Le point commun de ces problèmes est de pouvoir être posés de manière à utiliser les capacités associatives des réseaux de neurones artificiels, vus comme des classifieurs. En revanche, les modèles connexionnistes sont plus difficiles à mettre en oeuvre pour des tâches de plus haut niveau cognitif, comme le raisonnement. L'intégration neurosymbolique (cf. § 3.2) propose des réponses à ces limitations.