Soutenance de thèse: Sophie JAFFARD (LJAD)

Devant le jury composé de :

• François Delarue, PR, Université Côte d’Azur
• Eva Löcherbach, PR, Université Paris 1 Panthéon Sorbonne
• Thomas Moreau, CR, INRIA Saclay
• Patricia Reynaud-Bouret, DR, Université Côte d’Azur
• Vincent Rivoirard, PR, Université Paris Dauphine
• Ivo Sbalzarini, PR, Technische Universität Dresden
• Samuel Vaiter, CR, Université Côte d’Azur
• Rebecca Willett, PR, University of Chicago

NB : Cette soutenance sera précédée le matin par des exposés donnés par des membres du jury. 

VOIR PROGRAMME COMPLET (EN)

Résumé:
Cette thèse porte sur le développement et l’analyse théorique de modèles mathématiques de l’apprentissage neuronal, complétés par l’analyse statistique de données expérimentales, afin de mieux comprendre les processus d’apprentissage du cerveau et comment ils donnent lieu à des comportements spécifiques. Ce travail est intrinsèquement interdisciplinaire, reliant les mathématiques, la biologie, le machine learning et la cognition. Lors de l’apprentissage d’une tâche, les neurones ajustent leurs connexions synaptiques par le biais de mécanismes locaux, leur permettant de s’activer ensemble en réponse à des concepts spécifiques, formant ainsi ce que l’on appelle des assemblées neuronales et induisant des comportements globaux. Ces processus ont inspiré les premiers algorithmes de machine learning et continuent de produire des résultats empiriques croissants chez les réseaux neuronaux inspirés par la biologie. Cependant, un fossé subsiste entre les résultats empiriques et la théorie sous-jacente, et la transition des mécanismes neuronaux au comportement cognitif reste mal comprise. Pour répondre à cette problématique, j’ai conçu un réseau neuronal simple, inspiré par la biologie, et j’ai démontré mathématiquement qu’il pouvait atteindre un apprentissage global tout en s’appuyant uniquement sur des règles d’apprentissage locales au niveau de la synapse. Ensuite, j’ai étendu ces résultats en introduisant des couches cachées dans le réseau, montrant ainsi qu’il forme naturellement des assemblées neuronales et peut apprendre avec succès des tâches complexes. Enfin, j’ai établi des résultats d’approximation forte entre des modèles cognitifs connus pour modéliser avec précision le comportement et des modèles de neurones spikants, y compris le mien, apportant ainsi des éléments de preuve sur le lien entre les dynamiques neuronales et l’émergence de comportements spécifiques. Ces résultats théoriques sont étayés par l’analyse d’enregistrements neuronaux chez le rat et de données issues de participants humains réalisant une tâche de catégorisation que nous avons conçue.