Cette étude propose une approche inspirée des neurosciences pour compresser des séquences temporelles en fragments contextuellement étiquetés. Chaque fragment représente une unité structurelle récurrente, ou « communauté », dans la séquence et est généré pendant le sommeil hors ligne. Ces fragments servent de références concises aux expériences passées, permettant aux apprenants d'intégrer des informations au-delà des données immédiates. Nous évaluons cette idée dans un environnement synthétique contrôlé conçu pour mettre en évidence les limites des apprenants séquentiels basés sur les réseaux neuronaux, tels que les réseaux neuronaux récurrents (RNN), lorsqu'ils traitent des schémas temporels à plusieurs échelles de temps. Les résultats sont préliminaires, mais suggèrent que le fragmentation temporelle peut améliorer significativement l'efficacité de l'apprentissage dans des environnements aux ressources limitées. Une étude pilote à petite échelle sur l'humain, utilisant une tâche de réaction en chaîne temporelle, renforce l'idée d'abstraction structurelle. Bien que limitée à une tâche synthétique, cette étude fournit une première preuve que les fragments contextuels appris peuvent être transférés entre des tâches connexes, constituant une preuve de concept précoce ouvrant la voie à de futures applications de l'apprentissage par transfert.
