Modèles à variables latentes
Les modèles à variables latentes constituent une classe de modèles statistiques intégrant des variables qui ne sont pas directement observées, mais qui sont déduites d'autres variables observables au moyen d'un modèle mathématique. Le terme « latent » provient du latin lateo, signifiant « être caché ». Ces modèles sont largement utilisés dans de nombreuses disciplines, notamment l'ingénierie, la médecine, l'écologie, la physique, l'apprentissage automatique, le traitement automatique du langage naturel, la bioinformatique, la chimiométrie, la démographie, l'économie, la gestion, la psychologie et les sciences sociales.
Les variables latentes peuvent représenter des aspects de la réalité physique qui sont mesurables en principe mais non observables en pratique, souvent appelés « variables cachées ». Elles peuvent également correspondre à des concepts abstraits tels que des catégories comportementales ou des états mentaux, parfois désignés sous le nom de « constructions hypothétiques ». Une fonction clé des variables latentes est la réduction de dimensionnalité : de nombreuses variables observables peuvent être agrégées pour représenter un concept sous-jacent, simplifiant ainsi l'interprétation des données. Cela reflète le rôle des théories scientifiques qui relient des données « sub-symboliques » observables à des modèles symboliques.
Contexte historique
L'idée des processus latents remonte à Francis Bacon et son Novum Organum (1620), qui remettait en question la logique aristotélicienne. Bacon décrivait un « processus latent » échappant à l'observation sensorielle, soulignant que ces processus ne sont pas de simples symptômes mais des mécanismes sous-jacents continus. Cette fondation philosophique a influencé les développements statistiques ultérieurs. Au XXe siècle, l'analyse factorielle et la modélisation par équations structurelles ont formalisé l'inférence des variables latentes, avec des pionniers comme Charles Spearman qui a introduit le facteur général d'intelligence « g ».
Applications en psychologie
En psychologie, les variables latentes sont souvent dérivées par analyse factorielle, représentant la variance partagée entre les mesures observées. Les traits de personnalité des Big Five (extraversion, agréabilité, conscience, névrosisme, ouverture) ont été inférés par cette méthode. D'autres exemples incluent l'intelligence spatiale, la sagesse (évaluée par des mesures de performance et des variables latentes), et le facteur g de Spearman. Ces constructions ne sont pas directement mesurables mais émergent des corrélations entre les items de test.
Applications en économie et en médecine
En économie, les variables latentes incluent la qualité de vie, la confiance des entreprises, le moral, le bonheur et le conservatisme. Par exemple, la qualité de vie est déduite d'indicateurs observables tels que la richesse, l'emploi, l'environnement, la santé physique et mentale, l'éducation, les loisirs et l'appartenance sociale. En médecine, les modèles à variables latentes sont essentiels pour les études longitudinales où l'échelle de temps observée (par exemple, l'âge) n'est pas synchronisée avec la progression de la maladie. Des échelles de temps non observées peuvent être modélisées comme des transformations du temps observé, facilitant la modélisation de la progression de la maladie et de la croissance.
Méthodes d'inférence et modèles
Diverses classes de modèles et algorithmes permettent l'inférence avec des variables latentes. Les modèles incluent les modèles mixtes linéaires et non linéaires, les modèles de Markov cachés, l'analyse factorielle et la théorie de la réponse à l'item. Les méthodes d'inférence comprennent l'analyse en composantes principales, la régression des moindres carrés partiels, l'analyse sémantique latente, les algorithmes d'espérance-maximisation (EM) et l'algorithme de Metropolis-Hastings. Les approches bayésiennes sont prédominantes, avec des techniques comme l'allocation de Dirichlet latente pour la modélisation thématique, le processus de restaurant chinois pour le clustering et le processus de buffet indien pour la sélection de caractéristiques.
Rôle dans l'apprentissage automatique et l'IA
Dans l'apprentissage automatique, les modèles à variables latentes sous-tendent de nombreuses techniques génératives et non supervisées. Les autoencodeurs variationnels (VAE) et les réseaux antagonistes génératifs (GAN) utilisent des espaces latents pour générer de nouvelles données. Dans l'apprentissage profond, les représentations latentes apprises par les réseaux de neurones capturent des caractéristiques abstraites. Les systèmes d'IA générative, tels que les grands modèles de langage basés sur des architectures de transformeurs, s'appuient sur des représentations latentes pour modéliser le langage. Des institutions de recherche comme le MIT CSAIL, le Stanford AI Lab et le Berkeley AI Research ont contribué à l'avancement de ces modèles. Des entreprises comme OpenAI, Anthropic et Google DeepMind appliquent des méthodes à variables latentes dans leurs systèmes d'IA, tandis que des fournisseurs de matériel comme Nvidia (non listé) et AMD soutiennent les exigences computationnelles.
Voir aussi
- Apprentissage automatique
- Analyse factorielle (non listée, mais pourrait être liée via intelligence artificielle)
- Inférence bayésienne (non listée)
Références
- Bacon, Francis. Novum Organum (1620).
- Kmenta, Jan. Elements of Econometrics (1986).