Règle d'apprentissage

La règle d'apprentissage est un processus grâce auquel le réseau adapte ses couplages internes aux caractéristiques d'une information mise en entrée.

Au sens le plus général, on dit qu'un système s'adapte à une entrée donnée lorsqu'il réduit l'incertitude sur ses actions (ou sorties) en présence de cette entrée. Une sortie spécifique est progressivement choisie par le système parmi l'ensemble des sorties possibles. Le système est donc amené à évoluer, en fonction d'une contrainte d'évolution qui constitue la règle d'apprentissage.

La règle d'apprentissage fonctionne selon un principe d'évaluation/sélection. Elle permet de faire le tri parmi les réponses tentées par le système, et de favoriser celles qui sont bénéfiques (ou d'en favoriser une parmi celles qui sont bénéfiques).

Dans le cadre des systèmes neuronaux artificiels, la règle d'apprentissage porte sur les poids synaptiques : la règle renforce les poids synaptiques dans les cas favorables, et les atténue dans les cas défavorables. Les nouveaux couplages modifient les configurations d'activation, et orientent la réponse du réseau. La réponse du réseau est ainsi contrainte par la règle d'apprentissage.

L'enjeu lors de la conception d'un système artificiel est de bien choisir la règle d'apprentissage afin que l'évolution de la sortie du système soit conforme à la tâche que l'on souhaite lui voir accomplir. Dans une perspective plus cognitiviste, l'enjeu est de déterminer dans quelle mesure l'apprentissage permet de produire un comportement intelligent.