Dans cet article, nous présentons une nouvelle approche d'apprentissage non supervisé inspirée des modèles cognitifs. Contrairement aux méthodes d'apprentissage non supervisé précédentes, principalement axées sur le regroupement d'échantillons dans un espace mathématique, nous proposons ici une méthode d'apprentissage non supervisé basée sur des primitives qui modélise de manière constructive l'espace d'entrée comme une hiérarchie distribuée indépendante des données d'entrée. Nous démontrons la supériorité de la méthode proposée en la comparant aux modèles de pointe existants dans divers domaines tels que la classification par apprentissage non supervisé, la classification de petits ensembles de données incomplets et la classification des types de cancer. Nous montrons également que la méthode proposée surpasse les algorithmes existants (y compris l'apprentissage supervisé) et présente un comportement de type cognitif grâce à l'évaluation des caractéristiques cognitives.
