Modélisation de données temporelles, rythmiques et de synchronisations sociales par réseaux de neurones impulsionnels

Temporal, rythmical and social synchronization data modelisation

• Auteur / Autrice : Théo Velletaz
• Direction : Stefan Janaqi, Patrice Guyot
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/09/2023
• Etablissement(s) : IMT Mines Alès
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : EuroMov Digital Health in Motion

Mots clés

Mots clés libres

Synchronisation

Apprentissage machine

Spike networks

Données temporelles

Spike networks

Machine learning

Temporal data

Synchronization

Résumé

La temporalité des informations est déterminante pour notre compréhension du monde. La synchronisation entre différents évènements guide ainsi notre perception et nos actions dans de nombreuses tâches. La compréhension de la parole est par exemple améliorée par la lecture sur les lèvres dans un contexte de synchronisation entre perception visuelle et sonore. Dans le domaine de l'intelligence artificielle, les réseaux de neurones impulsionnels offrent un paradigme inspiré du fonctionnement du cerveau humain, qui est basé sur la synchronisation entre impulsions neuronales. Ces réseaux de neurones pourraient permettre des traitements moins couteux en termes de matériel et de temps, et remplacer à termes les réseaux de neurones classiques utilisés dans le domaine de l'apprentissage automatique. Ils offrent par ailleurs des possibilités inédites de traitement des données temporelles et d'analyse de synchronisations.

Time dependecy of information is determinant to our comprehension of the world. The synchronization between differente events guide our perception and our actions in numerous tasks. Speech understanding is improved by lip's reading in a context of synchronization betweend visual and sound perceptions. In the domain of IA, the spike neural networks offer a principle inspired by the human brain functions, which is based on the synchronization of neural impulsions. This type of neural nets could permit more efficient time and material treatments, and they could replace the classical neural nets wide spread in the domain of automatic learning. They offer new possibilities on temporal data processing and synchronization analysis.