Apprentissage automatique pour la modélisation du traitement visuel cortical
Invité par Matias Goldin, le Dr Rodrigo Echeveste, Chercheur associé du Conseil national de la recherche d'Argentine, interviendra le mercredi 26 juin à 11h00. RDV dans l'Amphithéâtre Bailliart, 3ème étage de l'Hôpital national des 15-20.
Les outils d'apprentissage automatique sont devenus de plus en plus efficaces ces dernières années pour modéliser le traitement sensoriel dans le cortex. L'une des idées centrales de cette approche est qu'en optimisant les réseaux neuronaux artificiels pour des tâches qui sont pertinentes pour le cerveau, il est possible de trouver des modèles qui imitent différents aspects du traitement cortical. Les réseaux neuronaux convolutionnels profonds (DNN) ont été inspirés à l'origine par le traitement sensoriel visuel et sont actuellement les meilleurs prédicteurs des réponses moyennes dans de multiples zones du cortex. Cependant, ces modèles ne sont pas conçus pour représenter fidèlement l'incertitude de leurs prédictions, ce qui est essentiel dans le contexte de la perception, où les informations que nous recevons de nos sens sont toujours partielles et incomplètes. En outre, ces modèles manquent de dynamique et ne rendent pas compte de la riche variabilité des réponses corticales, à la fois dans le temps et dans l'espace.
Dans cet exposé, je donnerai d'abord un bref aperçu de l'état de l'art des méthodes d'apprentissage automatique basées sur les DNN en tant que modèles du traitement visuel cortical, puis je me concentrerai sur les modèles spécifiquement conçus pour représenter fidèlement l'incertitude en effectuant une inférence bayésienne, dans deux cadres.Tout d'abord, dans le cadre de l'échantillonnage, avec des réseaux qui intègrent des connexions récurrentes afin de tirer des échantillons des distributions de probabilité d'intérêt.Il est intéressant de noter que ces réseaux présentent des caractéristiques stéréotypées de la dynamique corticale, telles que des transitoires et des oscillations.
Enfin, je présenterai les travaux en cours sur l'inférence dans le cadre de l'inférence variationnelle, en particulier sur la façon d'étendre les auto-encodeurs variationnels classiques pour obtenir des modèles de perception visuelle avec des estimations d'incertitude qui se comportent bien.
À propos de Rodrigo Echeveste
Rodrigo Echeveste a obtenu sa licence et sa maîtrise en physique à l'Institut Balseiro, en Argentine, et son doctorat à l'université Goethe de Francfort, en Allemagne. Il a ensuite effectué un post-doctorat de trois ans au laboratoire d'apprentissage computationnel et biologique (CBL) de l'université de Cambridge, au Royaume-Uni. Rodrigo occupe actuellement un poste permanent de chercheur associé auprès du Conseil national de la recherche argentin (CONICET) à l'Institut de recherche sur les signaux, les systèmes et l'intelligence informatique, sinc(i), et est professeur associé à l'Université nationale du Litoral (UNL). Ses travaux se situent à l'intersection des neurosciences computationnelles et de l'apprentissage automatique. Rodrigo est actuellement secrétaire de la Société argentine pour la recherche en neurosciences (SAN).