Rémi SOURIAU soutient sa thèse de doctorat le jeudi 28 janvier 2021 : « Apprentissage Automatique pour la Modélisation de Systèmes Stochastiques Dynamiques : Application au Contrôle Adaptatif sur la Stimulation Cérébrale Profonde »

/, Equipe SIAM, Evénements, Recherche, Soutenance de thèse/Rémi SOURIAU soutient sa thèse de doctorat le jeudi 28 janvier 2021 : « Apprentissage Automatique pour la Modélisation de Systèmes Stochastiques Dynamiques : Application au Contrôle Adaptatif sur la Stimulation Cérébrale Profonde »

Rémi SOURIAU soutient sa thèse de doctorat le jeudi 28 janvier 2021 : « Apprentissage Automatique pour la Modélisation de Systèmes Stochastiques Dynamiques : Application au Contrôle Adaptatif sur la Stimulation Cérébrale Profonde »

Rémi SOURIAU soutient sa thèse de doctorat le jeudi 28 janvier 2021 à 13h30. La soutenance est publique et retransmise via Collaborate.

Titre : Apprentissage Automatique pour la Modélisation de Systèmes Stochastiques Dynamiques : Application au Contrôle Adaptatif sur la Stimulation Cérébrale Profonde

Résumé :

Ces dernières années ont été marquées par l’émergence d’un grand nombre de base données dans de nombreux domaines comme la médecine par exemple. La création de ces bases données a ouvert la voie à de nouvelles applications. Les propriétés des données sont parfois complexes (non linéarité, dynamique, grande dimension ou encore absence d’étiquette) et nécessite des modèles d’apprentissage performants. Parmi les modèles d’apprentissage existant, les réseaux de neurones artificiels ont connu un large succès ces dernières décennies. Le succès de ces modèles repose sur la non linéarité des neurones, l’utilisation de variables latentes et leur grande flexibilité leur permettant de s’adapter à de nombreux problèmes. Les machines de Boltzmann présentées dans cette thèse sont une famille de réseaux de neurones non supervisés. Introduite par Hinton dans les années 80, cette famille de modèle a connu un grand intérêt dans le début du 21e siècle et de nouvelles extensions sont proposées régulièrement.

Cette thèse est découpée en deux parties. Une partie exploratoire sur la famille des machines de Boltzmann et une partie applicative. L’application étudiée est l’apprentissage non supervisé des signaux électroencéphalogramme intracrânien chez les rats Parkinsonien pour le contrôle des symptômes de la maladie de Parkinson. Les machines de Boltzmann ont donné naissance aux réseaux de diffusion. Il s’agit de modèles non supervisés qui reposent sur l’apprentissage d’une équation différentielle stochastique pour des données dynamiques et stochastiques. Ce réseau fait l’objet d’un développement particulier dans cette thèse et un nouvel algorithme d’apprentissage est proposé. Son utilisation est ensuite testée sur des données jouet ainsi que sur des données réelles.

Composition du jury de thèse

Membre du jury Titre Lieu d’exercice Fonction dans le jury
Vincent VIGNERON Maître de Conférences HDR Université d’Évry, Université Paris-Saclay Directeur de thèse
Jean LERBET Professeur des Universités Université d’Évry, Université Paris-Saclay Co-directeur de thèse
Aurelia FRAYSSE Maître de Conférences HDR Université Paris-Saclay Examinatrice
Florence FORBES Directrice de Recherche INRIA Rhones Examinatrice
Ali MANSOUR Professeur ENSTA Bretagne Rapporteur
Bertrand RIVET Maître de Conférences HDR Grenoble-INP Rapporteur
WP to LinkedIn Auto Publish Powered By : XYZScripts.com