Storyboard

La reconnaissance des objets, des événements et des risques est le problème de l'attribution d'une catégorie sémantique (proie, prédateur, compagnon, obstacle) aux modèles sensoriels. La théorie bayésienne de la décision fournit le cadre optimal : maximiser lutilité attendue en pondérant la probabilité a posteriori de chaque hypothèse par les conséquences de chaque décision.

La distance de Mahalanobis normalise la distance au centroïde de chaque classe par la variabilité de cette classe (¹) : elle évite les distorsions dues aux corrélations entre les caractéristiques. Dans la classification linéaire gaussienne, la limite de décision optimale est l'hypersurface où d²_M est égal entre deux classes, qui est un hyperplan (analyse discriminante linéaire).

La théorie de la détection du signal (SDT) sépare la sensibilité (d', qui dépend du SNR) du critère de réponse (, qui dépend des probabilités et des conséquences a priori). Un observateur peut avoir une sensibilité élevée (d' élevé) et néanmoins commettre des erreurs si son critère est biaisé. Lapplication du TDS au comportement animal permet de séparer les limites sensorielles des biais décisionnels.

L'intégration des preuves de diffusion (modèle de race) accumule les preuves sensorielles jusqu'à un seuil _dec : elle modélise simultanément le temps de réaction et le taux d'erreur. La vitesse de dérive _drift est proportionnelle au SNR du stimulus ; le seuil _dec contrôle le compromis vitesse-précision. Les neurones de l'IPL (lobe pariétal inférieur) des primates présentent une activité croissante cohérente avec ce modèle.

La fonction de risque perçu R_perc introduit une asymétrie de coût : dans les situations dangereuses, C_damage >> C_falsepos, ce qui rend le seuil d'action très bas (mieux vaut fuir une fausse alerte que ne pas fuir un véritable prédateur). Cette asymétrie évolutive explique les réactions de peur exagérées et les biais de négativité observés chez les animaux.

>Modèle

ID:('ky', 585)

Description

ID:(0, 585)