Dans cet article, nous proposons le modèle de désenchevêtrement latent associatif (ALDA), inspiré des avancées récentes en neurosciences computationnelles, pour résoudre le problème de généralisation des agents d'apprentissage par renforcement basé sur la vision à de nouveaux environnements. ALDA s'appuie sur l'apprentissage par renforcement hors politique standard et combine le désenchevêtrement latent avec un modèle de mémoire associative pour obtenir une généralisation sans échec à des variations de tâches complexes sans recourir à l'augmentation des données. De plus, nous démontrons formellement que l'augmentation des données est une forme de désenchevêtrement faible et discutons de ses implications.
