Inférence à base de simulateurs par réseaux de neurones : application aux signaux de neurosciences

Simulation-Based Inference with Deep Learning: application to neuroscience time series data

• Auteur / Autrice : Julia Linhart
• Direction : Alexandre Gramfort
• Type : Projet de thèse
• Discipline(s) : Informatique mathématique
• Date : Inscription en doctorat le 01/11/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Centre INRIA Saclay - Île-de-France
• Partenaire(s) de recherche : Equipe de recherche : Parietal - Modélisation de la structure, du fonctionnement et de la variabilité du cerveau à partir d'IRM à haut champ
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)

Mots clés

Mots clés libres

Apprentissage machine

Inférence statistique

Neurosciences

Simulations

Modèles génératifs profonds

Validation

Machine learning

Statistical inference

Neuroscience

Simulation-based

Deep generative models

Validation

Résumé

L'inférence basée sur la simulation (Simulation-based inference, SBI) a le potentiel de révolutionner la science expérimentale car elle ouvre la porte à l'inversion de modèles informatiques non linéaires complexes et arbitraires, tels que ceux que l'on trouve en physique, en biologie ou en neurosciences (Cranmer et al. 2020, Gonçalves et al. 2020). La seule exigence est d'avoir accès à un simulateur. Fondées sur les statistiques bayésiennes, les techniques récentes de SBI tirent parti des progrès de l'apprentissage profond pour approximer les distributions a posteriori sur l'ensemble des paramètres du simulateur, ce qui permet de quantifier les incertitudes et donc de révéler si certains paramètres ne justifient pas une interprétation scientifique compte tenu de certaines observations. Le SBI s'intéresse à l'estimation d'une distribution conditionnelle sur les paramètres d'intérêt thêta. Étant donné une observation x, telle que l'activité électrique d'un ensemble de neurones, le but est de calculer la distribution a posteriori p(thêta | x), où thêta paramétrise le modèle biophysique qui produit de telles mesures (intensité de l'excitation neuronale, de l'inhibition, etc.) Bien que cela décrive tout problème d'inférence statistique, ce qui est spécifique au cadre SBI est que la vraisemblance du modèle n'est pas disponible. Il est nécessaire d'effectuer ce que l'on appelle une inférence sans vraisemblance (Likelihood-Free-Inference, LFI) qui n'est pas accessible aux techniques standard telles que Markov Chain Monte-Carlo (MCMC) et l'inférence variationnelle (VI). L'objectif de cette thèse sera de développer de nouveaux algorithmes de LFI particulièrement adaptés aux séries temporelles. Nous viserons à inverser des simulateurs cérébraux complexes (par exemple des modèles de masses neuronales couplées, The Virtual Brain) pour démontrer que les techniques modernes de modélisation générative profonde offrent une opportunité unique de quantifier les paramètres biophysiques du cerveau, tout en prenant en entrée des mesures non-invasives telles que l'EEG ou le MEG.

Simulation-based inference (SBI) has the potential to revolutionize experimental science as it opens the door to the inversion of arbitrary complex non-linear computer models, such as those found in physics, biology or neuroscience (Cranmer et al. 2020, Gonçalves et al. 2020). The only requirement is to have access to a simulator. Grounded in Bayesian statistics, recent SBI techniques leverage the deep learning advances to approximate the posterior distributions over the full simulator parameters, hence allowing to quantify uncertainties and therefore to reveal whether certain parameters are not worth scientific interpretation given some observation. SBI is concerned with the estimation of a conditional distribution over parameters of interest theta. Given some observation x, such as the electrical activity of some ensemble of neurons, the goal is to compute the posterior p(theta | x), where theta parametrizes the biophysical model that produces such measurements (intensity of neural excitation, inhibition, etc.). While this describes any statistical inference problem, what is specific to the SBI setting is that the likelihood of the model is not available. One needs to perform so-called Likelihood-Free-Inference (LFI) which is not amenable to standard techniques such as Markov Chain Monte-Carlo (MCMC) and Variational Inference (VI). The goal of this thesis will be to develop novel LFI algorithms particularly adapted to time series. We will aim to invert complex brain simulators (e.g. coupled neural mass models, the Virtual Brain) to demonstrate that modern techniques of deep generative modelling offer a unique opportunity to quantify biophysical parameters of the brain, while taking as input non-invasive measurements such as EEG or MEG.