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.

Slides:



Advertisements
Présentations similaires
Mais vous comprenez qu’il s’agit d’une « tromperie ».
Advertisements

Le Nom L’adjectif Le verbe Objectif: Orthogram
ORTHOGRAM PM 3 ou 4 Ecrire: « a » ou « à » Référentiel page 6
Reporting de la Cellule Nationale Droit dOption Situation au 31 décembre 2011.
Présentation de la circonscription Année 2011/2012 Jeudi 24 novembre 2011.
Additions soustractions
Distance inter-locuteur
1 Plus loin dans lutilisation de Windows Vista ©Yves Roger Cornil - 2 août
7 juin 2012 DGAL.
Les numéros 70 –
Les numéros
Les identités remarquables
© 2009 IBM Corporation IBM Institute for Business Value Le Nouveau Visage du DSI Étude IBM Global Chief Information Officer Study.
Le, la, les words Possessive Adjectives MINE!!. 2 My in french is mon, ma,mes... Le word/ begins with a vowel: Mon La word: Ma Les word: Mes.
Introduction à la logique
CERTIFICATION 2011.
LES TRIANGLES 1. Définitions 2. Constructions 3. Propriétés.
Données statistiques sur le droit doption au 31/01 8 février 2012.
Correspondances en Onco-Urologie - Vol. III - n° 3 – juillet-août-septembre VESSIE Daprès James ND et al., N Engl J Med 2012;366:16:
Technologies et pédagogie actives en FGA. Plan de latelier 1.Introduction 2.Les technologies en éducation 3.iPads 4.TNI 5.Ordinateurs portables 6.Téléphones.
La relève et le sondage sur la tarification et les revenus Une présentation de François Gauthier.
Révision (p. 130, texte) Nombres (1-100).
La législation formation, les aides des pouvoirs publics
1 7 Langues niveaux débutant à avancé. 2 Allemand.
SERABEC Simulation sauvetage aérien avec un Hercule C130. Départ de St-Honoré le 4 octobre Durée de vol 3 heures. Premier vol en Hercule pour les.
La méthodologie………………………………………………………….. p3 Les résultats
Structure(djs)TéléphoneFax ADRA R049,96,03,21 CHLEF027,77,22,66 /77,49, LAGHOUAT029,90,41,08029,90,42,47 OUM EL BOUAGHI032,42,16,26032,42,45,32.
Introduction à la modélisation bayésienne
Jack Jedwab Association détudes canadiennes Le 27 septembre 2008 Sondage post-Olympique.
Le soccer & les turbans Sondage mené par lAssociation détudes canadiennes 14 juin 2013.
Présentation générale
Introduction à la modélisation bayésienne
Si le Diaporama ne s'ouvre pas en plein écran Faites F5 sur votre clavier.
Titre : Implémentation des éléments finis sous Matlab
Les nombres.
Les quartiers Villeray – La Petite-Patrie et les voisinages
Conseil Administration AFRAC – 2 décembre Toulouse 1 Fermes de références Palmipèdes à foie gras Synthèse régionale – Midi Pyrénées Exercice
LES NOMBRES PREMIERS ET COMPOSÉS
CLL11 : chlorambucil (CLB) versus CLB + rituximab (R)
Les chiffres & les nombres
1.Un rang de données multicolores 2. Deux permutations des n premiers entiers 3. b permutations des k premiers entiers 4. Choix de n points dans [0,1]
Les Monnaies et billets du FRANC Les Monnaies Euro.
RACINES CARREES Définition Développer avec la distributivité Produit 1
Systèmes mécaniques et électriques
DUMP GAUCHE INTERFERENCES AVEC BOITIERS IFS D.G. – Le – 1/56.
La statistique descriptive
Tournoi de Flyball Bouin-Plumoison 2008 Tournoi de Flyball
Année universitaire Réalisé par: Dr. Aymen Ayari Cours Réseaux étendus LATRI 3 1.
Titre : Implémentation des éléments finis en Matlab
MAGIE Réalisé par Mons. RITTER J-P Le 24 octobre 2004.
1 INETOP
Les Nombres 0 – 100 en français.
Modélisation bayésienne de la perception et de l’action
Aire d’une figure par encadrement
P.A. MARQUES S.A.S Z.I. de la Moussière F DROUE Tél.: + 33 (0) Fax + 33 (0)
Les fondements constitutionnels
MAGIE Réalisé par Mons. RITTER J-P Le 24 octobre 2004.
+0.42% +8.48% +0.6% +4.33% +6.48% -0.77% +3.79% +6.48% +4.02% +4.53%
Traitement de différentes préoccupations Le 28 octobre et 4 novembre 2010.
1/65 微距摄影 美丽的微距摄影 Encore une belle leçon de Macrophotographies venant du Soleil Levant Louis.
Certains droits réservés pour plus d’infos, cliquer sur l’icône.
Annexe Résultats provinciaux comparés à la moyenne canadienne
Commission paritaire de suivi des opérations de reclassement repositionnement dans le cadre du droit d’option Statistiques novembre 2010.
Les Chiffres Prêts?
La formation des maîtres et la manifestation de la compétence professionnelle à intégrer les technologies de l'information et des communications (TIC)
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2010 Introduction à la modélisation bayésienne Julien Diard Laboratoire de Psychologie.
Introduction à la modélisation bayésienne
Modélisation bayésienne de la perception et de l’action
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Introduction à la modélisation bayésienne Julien Diard Laboratoire de Psychologie.
Transcription de la présentation:

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 ?