Les modèles connexionnistes sont des paradigmes computationnels qui modélisent les processus cognitifs à travers des réseaux d'unités simples fonctionnant en parallèle, dont les connexions sont représentées par des arêtes pondérées.
Formellement, un modèle connexionniste peut être décrit comme un graphe orienté \( G = (V, E) \) avec des nœuds \( V \) et des arêtes pondérées \( E \subseteq V \times V \), chaque nœud possédant une fonction d'activation \( f: \mathbb{R} \rightarrow \mathbb{R} \).
La mise à jour des états s'effectue typiquement par
\[ a_j(t+1) = f\left( \sum_i w_{ij} a_i(t) + b_j \right) \]
où \( a_j(t) \) est l'activation du nœud \( j \) au temps \( t \), \( w_{ij} \) le poids de la connexion du nœud \( i \) vers \( j \) et \( b_j \) un terme de biais.
L'apprentissage repose sur des méthodes d'optimisation telles que la descente de gradient pour minimiser une mesure d'erreur sur des données d'entraînement.
Les modèles connexionnistes constituent la base de nombreux réseaux neuronaux modernes et sont essentiels à la compréhension du traitement distribué de l'information.
Définition :
« Les modèles connexionnistes sont des structures computationnelles qui représentent les fonctions cognitives par des unités interconnectées fonctionnant en parallèle avec des connexions pondérées, où le savoir est codé de manière distribuée dans les forces des connexions. »
Source :
Rumelhart, D. E., McClelland, J. L., & PDP Research Group (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition. MIT Press.