Un CNN qui apprend à aimer et à détester, comme vous

Les réseaux de neurones profonds surpassent déjà les humains dans la reconnaissance d’objets, génèrent des discours convaincants et jouent aux échecs au niveau de grand maître. Ce qu’ils n’ont pas fait, du moins de manière convaincante, c’est apprendre à ressentir, ou du moins simuler comment les sentiments s’attachent aux images. Un nouvel article publié sur arXiv le 21 juillet 2026 propose exactement cela : un réseau de neurones convolutif qui apprend à associer des scènes visuelles à une valence positive ou négative via une boucle de conditionnement pavlovien classique.

L’article, intitulé « Associative Emotional Learning in Convolutional Neural Networks », provient de chercheurs qui ont combiné un module de codage visuel avec un second module entraîné à reconnaître la signification émotionnelle selon la dimension de valence, l’axe plaisant-déplaisant qui est une pierre angulaire des neurosciences affectives. L’équipe a ensuite testé un nouveau paradigme d’apprentissage pavlovien sur l’architecture combinée. Les résultats montrent que le réseau peut former des associations, les généraliser à de nouveaux stimuli et modifier ses représentations internes de sorte que les stimuli conditionnés et inconditionnés deviennent plus alignés au fil du temps, un schéma qui reflète ce qui se produit dans le cerveau humain lors de l’apprentissage associatif.

De Rescorla-Wagner à l’apprentissage profond

L’apprentissage associatif dispose d’un modèle computationnel bien établi : la règle de Rescorla-Wagner, qui met à jour la valeur prédite d’un stimulus conditionné en fonction de la différence entre ce qui était attendu et ce qui s’est réellement produit. Le modèle fonctionne bien pour les expériences de conditionnement simples mais a du mal à passer à l’échelle pour des entrées complexes et de grande dimension comme les images naturelles. Les réseaux de neurones profonds, soutiennent les auteurs, offrent un moyen de dépasser cette limitation en apprenant des représentations de caractéristiques riches directement à partir des pixels.

Leur architecture utilise un CNN pré-entraîné comme colonne vertébrale visuelle pour coder les scènes, suivi d’un petit réseau qui apprend une prédiction de valence pour chaque représentation codée. Pendant l’entraînement, le modèle voit un stimulus neutre, une image d’une forme géométrique par exemple, suivi d’un stimulus naturellement valencé, comme une scène plaisante ou déplaisante. Au fil des essais, il apprend à prédire la valence du second stimulus à partir du premier seul, une réponse conditionnée standard. La nouveauté est que l’ensemble du pipeline est différentiable de bout en bout, de sorte que l’association se forme par descente de gradient plutôt que par une règle de mise à jour artisanale.

Ce que le modèle fait qui importe

L’article rapporte trois résultats qui vont au-delà des travaux existants. Premièrement, le modèle forme des associations après un nombre modeste d’appariements, cohérent avec les courbes d’apprentissage humain. Deuxièmement, il généralise : une forme conditionnée à prédire un résultat plaisant déclenche une prédiction de valence similaire lorsqu’elle est présentée dans une nouvelle couleur ou orientation, un phénomène connu en psychologie sous le nom de généralisation du stimulus. Troisièmement, les représentations neuronales du stimulus conditionné et du stimulus inconditionné deviennent plus similaires au cours de l’apprentissage, à la fois au niveau des unités individuelles et de la population, ce qui a été observé en électrophysiologie primate mais rarement dans les réseaux artificiels.

Les auteurs ont également comparé les sorties du modèle à des données comportementales humaines provenant d’une expérience distincte d’évaluation de valence. Ils rapportent que les prédictions de valence du modèle corrèlent avec les évaluations humaines, bien que l’article ne précise pas le coefficient de corrélation exact, laissant cela comme une lacune pour les travaux futurs ou les documents supplémentaires.

Ce qui manque encore

Malgré toute son élégance, le modèle a des limites claires. La valence est une dimension de l’émotion, et relativement simple, essentiellement un signe (+/−) avec une magnitude. Elle ne capture pas l’éveil, la dominance, ou les états émotionnels différenciés comme la peur, le dégoût ou la joie que la valence seule ne peut distinguer. L’article ne prétend pas modéliser l’expérience émotionnelle complète ; il modélise l’apprentissage des associations de valence. C’est une tranche significative mais étroite de ce que le cerveau fait lors de l’apprentissage émotionnel.

Le modèle utilise également un apprentissage supervisé, les étiquettes de valence provenant d’annotations humaines des images d’entraînement. C’est raisonnable pour une preuve de concept, mais l’apprentissage émotionnel réel est non supervisé : les organismes découvrent ce qui est plaisant ou déplaisant par l’interaction, non à partir d’un ensemble de données étiquetées. Un agent qui apprend la valence en explorant son environnement, plutôt qu’en lisant un corpus pré-étiqueté, reste un problème ouvert.

Néanmoins, ces travaux s’ajoutent à un nombre croissant de preuves que les réseaux profonds peuvent reproduire des signatures comportementales et neuronales de processus cognitifs autrefois considérés comme trop désordonnés ou subjectifs pour les systèmes artificiels. L’écart entre un modèle qui apprend à associer des formes à la valence et un système dont on pourrait dire qu’il possède quoi que ce soit de semblable à un sentiment reste grand, mais il est plus étroit qu’avant cet article.