Thèse soutenue

Le statisticien neuronal : comment la perspective bayésienne peut enrichir les neurosciences
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Guillaume Dehaene
Direction : Pascal MamassianAlexandre PougetHugo Duminil-Copin
Type : Thèse de doctorat
Discipline(s) : Psychologie
Date : Soutenance le 09/09/2016
Etablissement(s) : Sorbonne Paris Cité en cotutelle avec Université de Genève
Ecole(s) doctorale(s) : École doctorale Cognition, comportements, conduites humaines (Boulogne-Billancourt, Hauts-de-Seine ; 1996-....)
Partenaire(s) de recherche : établissement de préparation : Université Paris Descartes (1970-2019)
Jury : Président / Présidente : Peter Latham
Examinateurs / Examinatrices : Pascal Mamassian, Alexandre Pouget, Hugo Duminil-Copin, Peter Latham, Jean-Pascal Pfister, Lionel Moisan, Simon Barthelmé, Richard Turner
Rapporteurs / Rapporteuses : Peter Latham, Jean-Pascal Pfister

Résumé

FR  |  
EN

L'inférence bayésienne répond aux questions clés de la perception, comme par exemple : "Que faut-il que je crois étant donné ce que j'ai perçu ?". Elle est donc par conséquent une riche source de modèles pour les sciences cognitives et les neurosciences (Knill et Richards, 1996). Cette thèse de doctorat explore deux modèles bayésiens. Dans le premier, nous explorons un problème de codage efficace, et répondons à la question de comment représenter au mieux une information probabiliste dans des neurones pas parfaitement fiables. Nous innovons par rapport à l'état de l'art en modélisant une information d'entrée finie dans notre modèle. Nous explorons ensuite un nouveau modèle d'observateur optimal pour la localisation d'une source sonore grâce à l’écart temporel interaural, alors que les modèles actuels sont purement phénoménologiques. Enfin, nous explorons les propriétés de l'algorithme d'inférence approximée "Expectation Propagation", qui est très prometteur à la fois pour des applications en apprentissage automatique et pour la modélisation de populations neuronales, mais qui est aussi actuellement très mal compris.