Cours 4 Julien Diard Laboratoire de Psychologie et NeuroCognition – CNRS UE Cognition bayésienne 16/01/2012 (& 19/01/2012) http://diard.wordpress.com Julien.Diard@upmf-grenoble.fr
Plan des cours Introduction à la Programmation Bayésienne : incomplétude, incertitude Programmation bayésienne : exemple détaillé Classes de modèles probabilistes, distributions usuelles, Programmation bayésienne des robots Modélisation bayésienne de la perception et de l’action Comparaison bayésienne de modèles Compléments : inférence, apprentissage, principe d’entropie
Plan Résumé + questions ! Modélisation bayésienne de la perception Introduction à la perception multi- Perception visuo-haptique : (Ernst & Banks, 02) détaillé Causal Inference Questions ouvertes Modélisation bayésienne de l’action Introduction au contrôle moteur, Modèle de minimum variance Modélisation de la perception et de l’action Exemple : modèles sensoriels et moteurs de la perception et de la production de la parole
Bayesian Program = Description + Question Specification Identification Description Question Program Variables Parametrical Forms or Recursive Question Decomposition Preliminary Knowledge p Experimental Data d Inference
Learning Reactive Behaviors Khepera Robot Avoiding Obstacle Contour Following Piano mover Phototaxy etc. Lebeltel, O., Bessière, P., Diard, J. & Mazer, E. (2004) Bayesian Robot Programming; Autonomous Robots, Vol. 16, p. 49-79 Lebeltel, O. (1999) Programmation bayésienne des robots; Thèse INPG
Reactive behaviours Description Program Question d d Specification Variables Decomposition Description Question Parametrical Forms Program Preliminary Knowledge p Identification Joystick Remote Control Experimental Data d d d1 pushing obstacles d2 contour following d3 obstacle avoidance Utilization d
Sensor Fusion Model Description Program Question Utilization Specification Variables ThetaL, DistL, Lm0, …, Lm7 Description Question Decomposition (Conditional Independance Hypothesis) Parametrical Forms Program Identification No free parameters Utilization
Object Recognition (Model) Specification Variables Nlt, Nrt, Per, Llsl, O = {0, 1, 2, …} Decomposition (Conditional Independance Hypothesis) Description Question Parametrical Forms Program Nlt: Number of left turns Nlr: Number of right turns Per: Perimeter Llsl: Length of longest straight line O: Object identifier Identification Identification of the Laplace succession laws and Gaussians Utilization
Bayesian Bot Specification Description Program Identification Question Variables Decomposition Parametric Forms Perception: L Life, W Weapon, FW Foe Weapon, N Noise, FN Foe Number, PW Proximity Weapon, PL Proximity Life State: St, St+1 {Attack, Weapon Search, Life Search, Exploration, Escape, Danger Detection} Description P(St St+1 L W FW N FN PW PL) = P(St) P(St+1 | St) P(L | St+1) P(W | St+1) P(FW | St+1) P(N | St+1) P(FN | St+1) P(PW | St+1) P(PL | St+1) Program Tables Identification Question Utilization Playing: P(St+1 |St L W FW N FN PW PL)
Inférence exacte Inférence approximée sommation, propagation des incertitudes Inférence approximée décisions intermédiaires (tirage de points), propagation d’une partie des incertitudes
Plan Résumé + questions ! Modélisation bayésienne de la perception Introduction à la perception multi- Perception visuo-haptique : (Ernst & Banks, 02) détaillé Causal Inference Questions ouvertes Modélisation bayésienne de l’action Introduction au contrôle moteur, Modèle de minimum variance Modélisation de la perception et de l’action Exemple : modèles sensoriels et moteurs de la perception et de la production de la parole
Pour aller plus loin… Reviews, introductions, … Numéro spécial Trends in Cognitive Sciences 2006, 10(7) l’édito : N. Chater, J. B. Tenenbaum, and A. Yuille. Probabilistic models of cognition: Conceptual foundations. Trends in Cognitive Sciences, 10(7):287–291, 2006. F. Colas, J. Diard, and P. Bessière. Common bayesian models for common cognitive issues. Acta Biotheoretica, 58(2-3):191–216, 2010. ambiguities, fusion, multimodality, conflicts, modularity, hierarchies and loops N. Chater, M. Oaksford, U. Hahn, and E. Heit. Bayesian models of cognition. WIREs Cognitive Science, 1(6), 2010. plus « cognitif » : categorization, learning and causality, language processing, inductive and deductive reasoning, argumentation R.A. Jacobs and J.K. Kruschke. Bayesian learning theory applied to human cognition. WIREs Cognitive Science, 2010. M. Jones and B. Love. Bayesian fundamentalism or enlightenment? on the explanatory status and theoretical contributions of bayesian models of cognition. Behavioral and Brain Sciences, 34:169–231, 2011. Article cible BBS, suivi de commentaires
Pour aller plus loin… Modèles sensori-moteurs en robotique O. Lebeltel, P. Bessière, J. Diard, and E. Mazer. Bayesian robot programming. Autonomous Robots, 16(1):49–79, 2004. Modèles sensoriels et moteurs en sciences du vivant D. Kersten, P. Mamassian, and A. Yuille. Object perception as bayesian inference. annu Rev Psychol, 55:271–304, 2004. D. M. Wolpert. Probabilistic models in human sensorimotor control. Human Movement Science, 26:511–524, 2007. Statistiques bayésiennes J. K. Kruschke. Bayesian data analysis. WIREs Cognitive Science, 1:658–676, 2010. J. K. Kruschke. What to believe: Bayesian methods for data analysis. Trends in Cognitive Science, 14:293–300, 2010.
Plan Résumé + questions ! Modélisation bayésienne de la perception Introduction à la perception multi- Perception visuo-haptique : (Ernst & Banks, 02) détaillé Causal Inference Questions ouvertes Modélisation bayésienne de l’action Introduction au contrôle moteur, Modèle de minimum variance Modélisation de la perception et de l’action Exemple : modèles sensoriels et moteurs de la perception et de la production de la parole
Modélisation de la perception multi- Intramodale : multi-indice Multimodale : multi-sensorielle Modèle de pondération linéaire (Lambrey, 2005)
Modèle de pondération sensorielle
Modélisation de la perception stimulus Perception Un problème inverse (Poggio, 1984) Modèle bayésien Inversion + hypothèse d’indépendance conditionnelle sensations
Vision Perception des plans : préférence pour des plans rigides, stationnaires (Colas, 06) Perception des formes (Kersten et al., 04) : préférence pour les objets convexes préférence pour des lumières venant du haut, stationnaires préférence pour un point de vue situé au dessus de la scène
Ambigüités P(V | S) Cas classique Cube de Necker inversion de P(S | V) Distribution à plusieurs pics : ambigüité Cas classique image rétinienne 2 D objet réel en 3D
Forme tirée du mouvement MPI-BC
Forme tirée du mouvement MPI-BC
Forme tirée des ombres
Proprioception (Laurens, 07)
Fusion multi-sensorielle Fusion multi-indices Haptique : géométrie et force (Drewing & Ernst, 06) Vision (Kersten et al., 04) Fusion multi-sensorielle Visuo-acoustique Localisation de sources (Alais and Burr, 04, Battaglia et al., 03; Körding et al., 07, Sato et al., 07) Reconnaissance de voyelles (Gilet, 06) Visuo-haptique (Ernst & Banks, 02)
Fusion visuo-acoustique : effet McGurk
Effet McGurk Audio : ba Vidéo : /ga/ Lèvres fermées Vidéo : /ga/ Lèvres ouvertes Situation de conflit : perception /da/
Fusion trimodale Stimuli audio, visuels et tactiles Tâche : compter dans chaque modalité (Wozny, Beierholm and Shams, 2008)
Fusion trimodale
Plan Résumé + questions ! Modélisation bayésienne de la perception Introduction à la perception multi- Perception visuo-haptique : (Ernst & Banks, 02) détaillé Causal Inference Questions ouvertes Modélisation bayésienne de l’action Introduction au contrôle moteur, Modèle de minimum variance Modélisation de la perception et de l’action Exemple : modèles sensoriels et moteurs de la perception et de la production de la parole
Nature, 429–433, 2002
Humans integrate visual and haptic information in a statistically optimal fashion Mécanisme d’integration visuo-haptique par fusion de gaussiennes Utilisé par les humains
Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données
Matériel expérimental
Stimuli visuels
Stimuli et tâche 4 niveaux de bruit visuel : 0% 67% 133% 200% 1 niveau haptique 1 s de présentation Tâche de choix forcé laquelle de ces deux barres est la plus grande ?
Cas mono-modal 2 barres en séquence L’une à 55 mm (standard stimulus) L’autre de taille variable, entre 47 et 63 mm (comparison stimulus)
Cas mono-modal
Cas multi-modal 2 barres en séquence L’une composée d’une taille visuelle SV et d’une taille haptique SH | SH - SV | = D = 0, 3 ou 6 mm (SH + SV) / 2 = 55 mm standard stimulus L’autre de taille variable entre 47 et 63 mm comparison stimulus
Integration visuo-haptique 0%
Integration visuo-haptique 0% 67%
Integration visuo-haptique 0% 67% 133%
Integration visuo-haptique 0% 67% 133% 200%
Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données
Modèle bayésien de fusion « naïve »
Modèle bayésien de fusion « naïve »
Modèle bayésien de fusion « naïve » Estimateur de maximum de vraisemblance Par opposition à Bayésien « Statistiquement optimal » Moindre variance :
Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données
Quelles gaussiennes ? Choix d’une gaussienne parmi 2 T = 0.085 x 55 mm Choix d’une gaussienne parmi 2 L’inversion est une sigmoïde… Point d’égalité subjective PSE : moyenne Seuil de discrimination 0.04 x 55 mm
Integration visuo-haptique Comparison stimulus visual and haptic heights equal vary in 47-63 mm Standard stimulus visual and haptic heights differ Δ = {±6 mm, ±3 mm, 0} mean is 55 mm
Integration visuo-haptique 0% 67% 133% 200%
Comparaison modèle - données 0% 67% 133% 200%
Moyennes prédites - observées
Variances prédites - observées JND
Questions, critiques ?
Plan Résumé + questions ! Modélisation bayésienne de la perception Introduction à la perception multi- Perception visuo-haptique : (Ernst & Banks, 02) détaillé Causal Inference Questions ouvertes Modélisation bayésienne de l’action Introduction au contrôle moteur, Modèle de minimum variance Modélisation de la perception et de l’action Exemple : modèles sensoriels et moteurs de la perception et de la production de la parole
Perception audio-visuelle Effet ventriloque (Alais and Burr, 2004)
Causal inference (Körding et al., 07; Sato et al., 07) Y a-t-il une source unique, ou deux sources distinctes ?
Données expérimentales
Modèle ségrégation totale C=2 Modèle intégration totale C=1 Modèle « causal inference » C variable inconnue sommation sur C Modèle « causal inference » sans propagation tirage sur C / max sur C
Sommation / tirage P(A B C) = P(A) P(B | A) P(C | B) Inférence de P(C | A) Inférence exacte : sommation Inférence approximée: tirage Tirer b selon P(B | [A=a]) Tirer c selon P(C | [B=b]) Propagation des incertitudes Sommation « dictée » par le formalisme, pas par le modèle !
Pour chaque sujet Calcul des paramètres sur la moitié des données : R2 = 0.98 Validation croisée sur l’autre moitié : R2 = 0.96
Plan Résumé + questions ! Modélisation bayésienne de la perception Introduction à la perception multi- Perception visuo-haptique : (Ernst & Banks, 02) détaillé Causal Inference Questions ouvertes Modélisation bayésienne de l’action Introduction au contrôle moteur, Modèle de minimum variance Modélisation de la perception et de l’action Exemple : modèles sensoriels et moteurs de la perception et de la production de la parole
Question ouverte De nombreux exemples d’application du modèle probabiliste de fusion
Cerveau bayésien ? Comment montrer que le traitement est « bayésien » ? Les modèles bayésien sont sous-contraints ! Extension de la logique, on peut donc tout exprimer Valeur d’un modèle qui s’applique partout ? L’inférence bayésienne est contrainte ! Si on suppose des gaussiennes, leur fusion est… L’inférence implique des marginalisations
Plan Résumé + questions ! Modélisation bayésienne de la perception Introduction à la perception multi- Perception visuo-haptique : (Ernst & Banks, 02) détaillé Causal Inference Questions ouvertes Modélisation bayésienne de l’action Introduction au contrôle moteur, Modèle de minimum variance Modélisation de la perception et de l’action Exemple : modèles sensoriels et moteurs de la perception et de la production de la parole
Modélisation du contrôle Mouvements de pointage, volontaire, chez l’humain Etude des régularités Lois du mouvement Isochronie, loi de Fitts, loi de la puissance 2/3 Hypothèses sur les mécanismes Modèles (neuro)cognitifs
Modèles de planification de mouvements Sélection d’une trajectoire selon un coût
Espaces de contrôle Planification intrinsèque Espace articulaire Planification extrinsèque Espace cartésien
Observations Trajectoires de la main Dans l’espace articulaire invariantes et quasiment rectilignes dans l’espace cartésien quelles que soit les positions initiales et terminales du mouvement profil de vitesse en cloche Dans l’espace articulaire grande variabilité
Modèle d’interpolation linéaire dans l’espace articulaire Changement angulaire des articulations Trajectoire observée D’après Hollerbach & Atkeson (1986)
Modèle d’interpolation linéaire dans l’espace articulaire β α
Quelle grandeur manipulée par le système de contrôle ? + free energy principle (Friston 10) + inactivation principle (Berret 08) + …
Espace de travail Minimisation des dérivées de l’endpoint n=2 minimum acceleration n=3 minimum jerk n=4 minimum snap
Minimum jerk Prédit des segments droits Pas observés pour des mouvements de grande amplitude Lacquaniti et al. (1986)
Espace des couples moteurs Minimisation des couples zi générés à chaque articulation
Minimum variance Bruit dépendant du signal (signal dependent noise SDN)
Bayesian Decision Theory Modèle probabiliste + modèle de coût (reward, cost, loss function) Bayes theorem Prior Bayesian decision theory X Posterior observation di Likelihood X output Cost function
Plan Résumé + questions ! Modélisation bayésienne de la perception Introduction à la perception multi- Perception visuo-haptique : (Ernst & Banks, 02) détaillé Causal Inference Questions ouvertes Modélisation bayésienne de l’action Introduction au contrôle moteur, Modèle de minimum variance Modélisation de la perception et de l’action Exemple : modèles sensoriels et moteurs de la perception et de la production de la parole
Modélisation bayésienne de la perception et de la production de la parole
Modélisation bayésienne d’une boucle sensorimotrice : application à l’écriture
Merci de votre attention ! Questions ?