Les systèmes d'apprentissage font face à une tension fondamentale : ils doivent généraliser à travers les expériences tout en discriminant les détails pertinents pour la tâche. Un nouveau modèle computationnel appelé HOLMES (Hierarchical Online Learning of Multiscale Experience Structure) montre comment le cerveau pourrait résoudre ce problème en construisant des catégories imbriquées à la volée, essai après essai.
La recherche
Ines Aitsahalia et Kiyohito Iigaya, chercheurs au California Institute of Technology, ont publié leurs résultats sur arXiv (q-bio.NC, mars 2026, révisé en juillet 2026). Ils se sont demandé si un modèle unique pouvait combiner la mise à jour incrémentale des modèles de causes latentes en ligne avec la structure à plusieurs niveaux des modèles bayésiens hiérarchiques.
HOLMES fusionne une variante du processus du restaurant chinois imbriqué (nested Chinese Restaurant Process) avec l'inférence Monte Carlo séquentielle. Cela permet au modèle d'effectuer une inférence traitable, essai par essai, sur des représentations latentes hiérarchiques — sans aucune supervision explicite de la structure latente. En d'autres termes, il découvre les catégories et sous-catégories par lui-même au fur et à mesure que les données affluent.
Dans les simulations, HOLMES a égalé la performance prédictive des modèles plats tout en apprenant des représentations plus compactes. Il a ensuite démontré un transfert rétroactif en une seule fois : après avoir appris une nouvelle catégorie de haut niveau, il pouvait immédiatement reconnaître des instances appartenant à cette catégorie sans entraînement supplémentaire. Dans une tâche de transfert anticipé, HOLMES a atteint une prédiction de résultat supérieure au hasard pour des stimuli avec des combinaisons de caractéristiques jamais vues auparavant. Il y est parvenu en exploitant des représentations abstraites de niveau forme, apprises à travers diverses instances d'entraînement.
L'article comprend quatre figures principales et cinq figures supplémentaires. Les auteurs ne rapportent pas de taille d'échantillon humain car le travail est computationnel, mais les simulations fournissent une preuve de concept des capacités du modèle.
Pourquoi c'est important
Votre cerveau est constamment confronté au même défi que celui abordé par HOLMES : vous rencontrez un nouvel objet et devez décider s'il appartient à une catégorie connue ou s'il mérite une nouvelle catégorie. Les modèles traditionnels soit se mettent à jour lentement et manquent de nuance hiérarchique, soit nécessitent un traitement hors ligne qui ne peut pas suivre le rythme de l'expérience en temps réel.
HOLMES suggère que la structure hiérarchique peut être apprise en ligne, sans professeur. Cela a des implications pour comprendre comment les humains forment des concepts abstraits — comme reconnaître qu'un moineau et un aigle appartiennent tous deux à la catégorie plus large des oiseaux, même si vous n'avez jamais vu d'aigle auparavant. Cela indique également la voie vers des systèmes d'intelligence artificielle plus flexibles qui s'adaptent à de nouvelles données sans réentraînement à partir de zéro.
Ce que vous pouvez faire
Pour exercer votre propre apprentissage hiérarchique, essayez de catégoriser les nouvelles informations au fur et à mesure que vous les rencontrez. Lorsque vous apprenez un nouveau fait, demandez-vous : à quelle catégorie plus large appartient-il ? Qu'est-ce qui le distingue des autres membres ? Cette habitude simple renforce le même type de représentation flexible et multi-niveaux que modélise HOLMES. Vous pouvez également vous entraîner au transfert en une seule fois en rappelant délibérément un concept de haut niveau après avoir appris un seul nouvel exemple — par exemple, après avoir lu un article sur un nouvel animal, pensez immédiatement à d'autres animaux de sa classe.
Source : arXiv q-bio.NC
Curieux de connaître votre propre cerveau ? Faites notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.