Auto-adaptativité et topologie dans les cartes de Kohonen

Abstract

Nous modifions l’algorithme non supervisé de Kohonen sur la base de considérations biologiques, dans le double intérêt d’améliorer ses performances de modélisation et d’enrichir sa valeur de modèle théorique d’auto-organisation neuronale. À chaque étape de nos recherches sur l’auto-adaptativité et la topologie des cartes de Kohonen, nous intégrons nos conclusions à un algorithme opérationnel : version normée, multirythmique et auto-instruite. Deux nouvelles fonctions sont introduites : l’Attractivité locale AintL inspirée du « Growing Neural Gas network »(GNG) et la Connaissance Cint, qui permettent de réduire l’erreur de modélisation jusqu’à 80% de l’erreur standard. L’extension du cadre classique d’étude de la topologie petit-monde, récemment décou- verte dans quantité de réseaux, à la théorie de l’information, nous permet par ailleurs de mettre en lumière le lien temporel entre structure (topologie) et fonction (apprentissage et connaissance) du système de neurones.

Using biological understanding we have modified the unsupervised Kohonen algo- rithm, with two aims : to improve the performance of modelisation and to make this theoretical model of neural self-organisation more realistic. At various stages during our research into the auto-adaptivity and topology of Kohonen maps, we implemented our findings into practical algorithms creating normalised, multirhythmic and self-instructed versions. Two new functions are introduced : local attractivity AintL , inspired from Growing Neural Gas networks (GNG), and knowledge Cint. Using these, modelisation error is reduced by up to 80% of the standard error. Guided by recent work that shows small-world topologies exist in a large number of networks, we have extended this classic approach to information theory. This has highlighted the temporal link between structure (topology) and function (learning and knowledge) in the neural system.