Généralisation, similarité et inférence bayésienne

Shepard a soutenu qu'une loi universelle devrait gouverner la généralisation à travers différents domaines de la perception et de la cognition, ainsi qu'entre des organismes de différentes espèces voire de différentes planètes. Partant de quelques hypothèses de base sur les catégories naturelles, il a dérivé une fonction de décroissance exponentielle comme forme du gradient universel de généralisation, qui concorde remarquablement bien avec un large éventail de données empiriques. Cependant, sa formulation originale ne s'appliquait qu'au cas idéal de généralisation d'un seul stimulus rencontré à un seul stimulus nouveau, et pour des stimuli pouvant être représentés comme des points dans un espace psychologique métrique continu. Ici, nous reconfigurons la théorie de Shepard dans un cadre bayésien plus général et montrons comment cela étend naturellement son approche à la situation plus réaliste de la généralisation à partir de multiples stimuli conséquents avec une structure représentationnelle arbitraire. Notre cadre englobe également une version du modèle théorique des ensembles de Tversky de la similarité, qui est généralement considéré comme l'alternative principale au modèle de Shepard basé sur l'espace métrique continu de la similarité et de la généralisation. Cette unification nous permet non seulement d'établir des parallèles profonds entre les approches basées sur les ensembles et celles spatiales, mais aussi d'améliorer significativement le pouvoir explicatif des modèles basés sur les ensembles.