Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
Publié parOdette Rancourt Modifié depuis plus de 9 années
1
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Introduction à la modélisation bayésienne Julien Diard Laboratoire de Psychologie et NeuroCognition – CNRS UE18S3 Psychophysique et analyse des signaux 16/12/2009 http://diard.wordpress.comhttp://diard.wordpress.com Julien.Diard@upmf-grenoble.fr
2
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 2 Êtes-vous « Bayésien » ? I’m a bayesian if I use the word “probability”. I’m a bayesian if I use the word “conditional probability”. I’m a bayesian if I use Bayes’ rule. I’m a bayesian if I use Bayes’ rule in order to make inference. I’m a bayesian if I think that probabilities represent states of knowledge. I’m a bayesian if I think that probabilities represent states of knowledge and I also consider my parameters as random variables. I’m a bayesian if I think that probabilities represent states of knowledge and I use priors (no MaxLikelihood). I’m a bayesian if I think that probabilities represent states of knowledge and I use priors and I use priors on priors (hierarchical models). I’m a bayesian if I think that probabilities represent states of knowledge and I use subjective priors. I’m a bayesian if I think that probabilities represent states of knowledge and I use priors and I never use MAP. Blog de Pierre Dangauthier
3
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Probability Theory As Extended Logic Probabilités « subjectives » –Référence à un état de connaissance d’un sujet P(« il pleut » | Jean), P(« il pleut » | Pierre) Pas de référence à la limite d’occurrence d’un événement (fréquence) Probabilités conditionnelles –P(A | π) et jamais P(A) Probabilités « fréquentistes » –Une probabilité est une propriété physique d’un objet –Axiomatique de Kolmogorov, théorie des ensembles – 3 E.T. Jaynes (1922-1998)
4
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Inférence probabiliste Théorème –Si on connaît la distribution conjointe P(X 1 X 2 … X n | π) –Alors on peut calculer n’importe quelle « question » P(X 1 | [X n = x n ] π) P(X 2 X 4 | [X 3 = x 3 ] π) 4
5
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 5 Si P( ) = uniforme – Modèle de maximum de vraisemblance Maximum Likelihood (MLE) Si P( ) uniforme –Modèle = prior vraisemblance Modèle de maximum a posteriori (MAP) Modèle bayésien Posterior Prior Vraisemblance
6
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En Intelligence Artificielle Historique –En robotique Exemple de Programme Bayésien –En sciences (physiques) Méthodologie de sélection de modèles Exemples de « bayésien caché » –En sciences cognitives Modélisation de la perception et de l’action 6
7
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En sciences cognitives Modélisation bayésienne de la perception –Introduction à la perception multi- –Perception visuo-haptique (Ernst & Banks, 02) –Perception visuo-acoustique –Causal inference (Körding et al., 07) –Questions ouvertes Modélisation bayésienne de l’action –Modèle de minimum variance Modélisation de la perception et de l’action : boucles sensorimotrices –Exemple : modélisation de l’écriture et de la lecture avec simulation motrice 7
8
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modélisation de la perception multi- Multi-? –Intramodale : multi-indice –Multimodale : multi-sensorielle Modèle de pondération linéaire 8 (Lambrey, 2005)
9
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle de pondération linéaire 9
10
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modélisation de la perception Perception –Un problème inverse (Poggio, 1984) Modèle bayésien –Inversion + hypothèse d’indépendance conditionnelle – 10
11
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 11 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 Proprioception (Laurens, 08)
12
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Ambigüités P(V | S) –inversion de P(S | V) –Distribution à plusieurs pics : ambigüité Cas classique –image rétinienne 2 D objet réel en 3D 12 Cube de Necker
13
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 13 Forme tirée du mouvement MPI-BC
14
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 14
15
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 15 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) effet McGurk Reconnaissance de voyelles (Gilet, 06) –Visuo-haptique (Ernst & Banks, 02)
16
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 16
17
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Effet McGurk Audio : ba –Lèvres fermées Vidéo : /ga/ –Lèvres ouvertes Situation de conflit : perception /da/ 17
18
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En sciences cognitives Modélisation bayésienne de la perception –Introduction à la perception multi- –Perception visuo-haptique (Ernst & Banks, 02) –Perception visuo-acoustique –Causal inference (Körding et al., 07) –Questions ouvertes Modélisation bayésienne de l’action –Modèle de minimum variance Modélisation de la perception et de l’action : boucles sensorimotrices –Exemple : modélisation de l’écriture et de la lecture avec simulation motrice 18
19
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Nature, 429–433, 2002
20
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 20 Humans integrate visual and haptic information in a statistically optimal fashion Mécanisme d’integration visuo- haptique par fusion de gaussiennes Utilisé par les humains
21
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 21 Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données
22
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 22 Matériel expérimental
23
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 23 Stimuli visuels
24
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 24 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 ?
25
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 25 Cas mono-modal
26
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 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 26
27
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Integration visuo-haptique 0%0% 27
28
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 0%0% 67% Integration visuo-haptique 28
29
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 0% 67% 133% Integration visuo-haptique 29
30
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 0% 67% 133% 200% Integration visuo-haptique 30
31
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données 31
32
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle bayésien de fusion « naïve » 32
33
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle bayésien de fusion « naïve » 33
34
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Estimateur de maximum de vraisemblance – –Par opposition à Bayésien « Statistiquement optimal » –Moindre variance : Modèle bayésien de fusion « naïve » 34
35
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données 35
36
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Quelles gaussiennes ? Choix d’une gaussienne parmi 2 Point d’égalité subjective –PSE : moyenne Seuil de discrimination – T = 0.085 x 55 mm 0.04 x 55 mm 36
37
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 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 37
38
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Integration visuo-haptique 38 0% 67% 133% 200%
39
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 0% 67% 133% 200% Comparaison modèle - données 39
40
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 40 Moyennes prédites - observées
41
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 41 JND Variances prédites - observées
42
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Questions, critiques ? 42
43
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En sciences cognitives Modélisation bayésienne de la perception –Introduction à la perception multi- –Perception visuo-haptique (Ernst & Banks, 02) –Perception visuo-acoustique –Causal inference (Körding et al., 07) –Questions ouvertes Modélisation bayésienne de l’action –Modèle de minimum variance Modélisation de la perception et de l’action : boucles sensorimotrices –Exemple : modélisation de l’écriture et de la lecture avec simulation motrice 43
44
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modélisation bayésienne de la perception visuo-acoustique de voyelles 44
45
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Perception audiovisuelle 45
46
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Perception audiovisuelle 46
47
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Remarque 47
48
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modélisation bayésienne de la perception audiovisuelle Trois modèles bayésiens –Modèle M 0 –Modèle M 1 –Modèle M 2 Comparaison bayésienne des modèles 48
49
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Espace interne de M 0 49
50
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle M0 50
51
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle M0 51
52
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle M0 52
53
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle M0 : résultats 53
54
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle M1 54
55
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle M1 : résultat 55
56
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle M2 56
57
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modèle M2 : résultat 57
58
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En sciences cognitives Modélisation bayésienne de la perception –Introduction à la perception multi- –Perception visuo-haptique (Ernst & Banks, 02) –Perception visuo-acoustique –Causal inference (Körding et al., 07) –Questions ouvertes Modélisation bayésienne de l’action –Modèle de minimum variance Modélisation de la perception et de l’action : boucles sensorimotrices –Exemple : modélisation de l’écriture et de la lecture avec simulation motrice 58
59
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Perception audio-visuelle Effet ventriloque (Alais and Burr, 2004) 59
60
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Causal inference (Körding et al., 07) Modèle à 1 source, modèle à 2 sources Intégration sur s, s A, s v, C 60
61
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Données expérimentales 61
62
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 62
63
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Pour chaque sujet –Calcul des paramètres sur la moitié des données : R 2 = 0.98 –Validation croisée sur l’autre moitié : R 2 = 0.96 63
64
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 64 Modèle sans sommation sur C (tirage du C le plus probable) Modèle sans alternative à 2 sources : P(C=1) = 1 Modèle sans alternative à 1 source : P(C=2) = 1
65
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En sciences cognitives Modélisation bayésienne de la perception –Introduction à la perception multi- –Perception visuo-haptique (Ernst & Banks, 02) –Perception visuo-acoustique –Causal inference (Körding et al., 07) –Questions ouvertes Modélisation bayésienne de l’action –Modèle de minimum variance Modélisation de la perception et de l’action : boucles sensorimotrices –Exemple : modélisation de l’écriture et de la lecture avec simulation motrice 65
66
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Question ouverte De nombreux exemples d’application du modèle de fusion Limite de validité du modèle ? Valeur d’un modèle qui s’applique partout ? 66
67
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En sciences cognitives Modélisation bayésienne de la perception –Introduction à la perception multi- –Perception visuo-haptique (Ernst & Banks, 02) –Perception visuo-acoustique –Causal inference (Körding et al., 07) –Questions ouvertes Modélisation bayésienne de l’action –Modèle de minimum variance Modélisation de la perception et de l’action : boucles sensorimotrices –Exemple : modélisation de l’écriture et de la lecture avec simulation motrice 67
68
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 68
69
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Espace de travail Minimisation des dérivées de l’endpoint –n=2 minimum acceleration –n=3 minimum jerk –n=4 minimum snap 69
70
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Minimum jerk Prédit des segments droits Pas observés pour des mouvements de grande amplitude 70 Lacquaniti et al. (1986)
71
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Espace des couples moteurs Minimisation des couples z i générés à chaque articulation 71
72
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Minimum variance Bruit dépendant du signal (signal dependent noise SDN) 72
73
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En sciences cognitives Modélisation bayésienne de la perception –Introduction à la perception multi- –Perception visuo-haptique (Ernst & Banks, 02) –Perception visuo-acoustique –Causal inference (Körding et al., 07) –Questions ouvertes Modélisation bayésienne de l’action –Modèle de minimum variance Modélisation de la perception et de l’action : boucles sensorimotrices –Exemple : modélisation de l’écriture et de la lecture avec simulation motrice 73
74
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Modélisation bayésienne d’une boucle sensorimotrice : application à l’écritureModélisation bayésienne d’une boucle sensorimotrice : application à l’écriture 74
75
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Merci de votre attention ! Questions ?
76
Julien Diard — LPNC-CNRS Cours M2R Psychologie Cognitive — UE18S3 — 2009 Plan Introduction à la modélisation bayésienne –En sciences cognitives (intro, resume 10) Modélisation bayésienne de la perception –Introduction à la perception multi-15 –Perception visuo-haptique (Ernst & Banks, 02)45 –Perception visuo-acoustique20 –Causal inference (Körding et al., 07)(pause 15)15 –Questions ouvertes Modélisation bayésienne de l’action15 –Modèle de minimum variance Modélisation de la perception et de l’action : 45 boucles sensorimotrices –Exemple : modélisation de l’écriture et de la lecture avec simulation motrice 76
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.