Abstract FR:

La mise au point des reseaux de neurones (conception des architectures et procedures d'apprentissage) pour des taches complexes est par nature extremement difficile. Afin de faciliter cela et pour obtenir en meme temps des systemes neuronaux plus efficaces, on se propose d'essayer d'y incorporer la connaissance que l'on a de la tache globale a effectuer. On part de l'hypothese que celle-ci peut etre decomposee en sous-taches. Chacune de celles-ci, supposees plus aisees que la tache dans son entier, est associee a un module neuronal specialise: la tache sera traitee par une architecture modulaire de reseaux de neurones qui inter-agiront entre eux. Cette demarche est issue a la fois d'experiences sur les signaux (echos sonars) et de resultats plus fondamentaux sur l'analyse statistique des perceptrons multicouches. Apres avoir discute de facon generale de la modularisation des reseaux de neurones, on etudie sur des exemples la conception d'architectures modulaires et les diverses procedures d'apprentissage associees. Comme on s'interesse avant tout a la mise au point de methodes efficaces, les modeles seront en general testes sur des problemes reels (parole, reconnaissance de caracteres) et compares avec d'autres methodes, classiques ou neuronales. On montre que les architectures modulaires obtiennent des performances superieures a celles des autres methodes de classification utilisees et permettent de resoudre des problemes plus complexes que ce qui etait envisageable jusqu'alors