|
Modélisation de l'encodage neuronal pour l'apprentissage de séquences complexes : applications à l'interaction homme-robot et aux chants des oiseaux| old_uid | 16577 |
|---|
| title | Modélisation de l'encodage neuronal pour l'apprentissage de séquences complexes : applications à l'interaction homme-robot et aux chants des oiseaux |
|---|
| start_date | 2019/03/19 |
|---|
| schedule | 10h-12h |
|---|
| online | no |
|---|
| location_info | Amphi E1 |
|---|
| summary | L'Interaction Homme-Robot par le langage naturel est un des objectifs de la recherche actuelle en robotique. Notamment, un des buts est d'obtenir un même substrat neuronal artificiel générique qui puisse apprendre la syntaxe dans plusieurs langues et modéliser l'apprentissage de séquences motrices et vocales. La modélisation de ce substrat peut s’inspirer alors de l’encodage neuronal de catégories de séquences motrices chez le singe, et du décodage de l’activité neuronale sensori-motrice chez l’oiseau chanteur en s'approchant des contraintes biologiques et développementales. En effet, bien que l'on ne puisse pas parler de langue des oiseaux, certains oiseaux comme les canaris domestiques produisent des chants à syntaxe complexe qu'il est difficile de caractériser par traitements Markoviens (mémoire de l'état précédent seulement). Le traitement de séquences implique souvent une mémoire de travail (à court terme), c'est pourquoi nous présenterons les capacités et les limites de réseaux de neurones aléatoires récurrents qui peuvent aussi être utilisés dans la modélisation du traitement de la syntaxe humaine. En particulier, nous regarderons comment de tels réseaux peuvent apprendre des mécanismes de "gating" de l'information. |
|---|
| responsibles | Marinica |
|---|
| |
|