Graphes pour l’exploration des réseaux de neurones artificiels et de la connectivité cérébrale humaine

Le vendredi 20 octobre 2023, Lucrezia CARBONI soutiendra sa thèse intitulée "Graphes pour l’exploration des réseaux de neurones artificiels et de la connectivité cérébrale humaine".

Cette thèse a été dirigée par Sophie ACHARD de l'équipe Statify-LJK et co-dirigée par Michel DOJAT de l'équipe "Neuroimagerie Fonctionnelle et Perfusion Cérébrale" du GIN.

Composition du jury :

• Bertrand THIRION, Directeur de Recherche, Inria Saclay - Rapporteur
• Nicolas FARRUGIA, Maître de conférence, IMT Atlantique - Rapporteur
• Nadia BRAUNER, Professeure des Universités, Université Grenoble Alpes - Examinatrice
• Ana MARQUES, Practicienne Hospitalière HDR, CHU Clermont-Ferrand - Examinatrice
• Giulia PRETI, Docteure en Sciences, Researcher at CENTAI Research Institute Turin - Examinatrice
• Sophie ACHARD, Directrice de Recherche, CNRS, Statify-LJK Université Grenoble Alpes - Directrice de thèse
• Michel DOJAT, Directeur de Recherche, INSERM, Grenoble Institut des Neurosciences - Co-directeur de thèse
• Marina Reyboz, Ingénieure de Recherche HDR, CEA Grenoble - Invitée
• Paulo Gonçalves, Directeur de Recherche, Inria Rhône-Alpes et ENS Lyon - Invité

Résumé :

L’objectif principal de cette thèse est d’explorer la connectivité cérébrale et celle des réseaux de neurones artificiels d’un point de vue de leur connectivité. Un modèle par graphes pour l’analyse de la connectivité structurelle et fonctionnelle a été largement étudié dans le contexte du cerveau humain, mais un tel cadre manque encore pour l’analyse des systèmes artificiels. Avec l’objectif d’intégrer l’analyse de la connectivité dans les système artificiels, cette recherche se concentre sur deux axes principaux.

Dans le premier axe, l’objectif principal est de déterminer une caractérisation de la signature saine de la connectivité fonctionnelle de repos du cerveau humain. Pour atteindre cet objectif, une nouvelle méthode est proposée, intégrant des statistiques de graphe traditionnelles et des outils de réduction de réseau, pour déterminer des modèles de connectivité sains. Ainsi, nous construisons une comparaison en paires de graphes et un classifieur pour identifier les états pathologiques et identifier les régions cérébrales perturbées par une pathologie. De plus, la généralisation et la robustesse de la méthode proposée ont été étudiées sur plusieurs bases de données et variations de la qualité des données.

Le deuxième axe de recherche explore les avantages de l’intégration des études de la connectivité inspirée du cerveau aux réseaux de neurones artificiels (ANNs) dans la perspective du développement de systèmes artificiels plus robustes. Un problème majeur de robustesse dans les modèles d’ANN est représenté par l’oubli catastrophique qui apparaît lorsque le réseau oublie dramatiquement les tâches précédemment apprises lors de l’adaptation à de nouvelles tâches. Notre travail démontre que la modélisation par graphes offre un cadre simple et élégant pour étudier les ANNs, comparer différentes stratégies d’apprentissage et détecter des comportements nuisibles tels que l’oubli catastrophique. De plus, nous soulignons le potentiel d’une adaptation à de nouvelles tâches en contrôlant les graphes afin d’atténuer efficacement l’oubli catastrophique et jetant ainsi les bases de futures recherches et explorations dans ce domaine.