Architecture neuronales pour la gestion du temps et sa contextualisation

par Anthony Strock

Projet de thèse en Informatique

Sous la direction de Nicolas Rougier et de Xavier Hinaut.

Thèses en préparation à Bordeaux , dans le cadre de Mathématiques et Informatique , en partenariat avec LaBRI - Laboratoire Bordelais de Recherche en Informatique (laboratoire) et de Modèles et Algorithmes pour la Bioformatique et la Visualisation d'Informations (equipe de recherche) depuis le 18-09-2017 .


  • Résumé

    Ce projet de thèse propose de trouver des algorithmes d'apprentissage intermédiaires (pour le traitement de séquences) entre l'apprentissage profond et le Reservoir Computing afin de tirer profit des avantages des deux approches. On s'intéressera notamment à (1) l'extension de l'idée « d'unités de mémoire », (2) à combiner le RC avec méthodes non-supervisées pour optimiser les dynamiques du réservoir (i.e. réseau de neurone récurrent avec des connexions aléatoires), par exemple avec des méthodes basées sur la théorie de l'information, et (3) à des méthodes d'apprentissages supervisées de façon « globale » ne nécessitant pas une information exacte et locale sur l'erreur du système. De plus, de nombreux modèles (MTRNN, CTRNN, Conceptor, ...) présents dans la littérature pourront être exploités à la fois comme base de comparaison et comme source d'inspiration.

  • Titre traduit

    Neural architecture for time management and its contextualization


  • Résumé

    This thesis project proposes to find intermediate learning algorithms (for sequence processing) between deep learning and Reservoir Computing in order to take advantage of both approaches. We will focus in particular on (1) the extension of the idea of "units of memory", (2) to combine the RC with unsupervised methods to optimize the dynamics of the reservoir (ie recurrent neuron network with random connections), e.g. with information theory-based methods, and (3) "globally supervised" learning methods that do not require accurate and local information about system error. In addition, many models (MTRNN, CTRNN, Conceptor, ...) present in the literature can be used both as a basis of comparison and as a source of inspiration.