L'apprentissage d'une représentation efficace du signal dans des réseaux à codage parcimonieux de potentiel d'action

Jury :

Dr. Cristina SAVIN (New York University), Rapporteur
Dr. Jonathan PILLOW (Princeton University), Rapporteur
Dr. Gianluigi MONGILLO (Institute de la Vision), Examinateur
Dr. Alessandro TORCINI (Université de Cergy-Pontoise), Examinateur
Dr. Sophie DENÈVE (École normale supérieure), Directrice de thèse
Dr. Christian MACHENS (Champalimaud Centre for the Unknown), Co-directeur de thèse


Résumé de thèse :

La complexité de l'entrée sensorielle est parallèle à la complexité de sa représentation dans l'activité neurale des systèmes biologiques. Partant de l'hypothèse que les réseaux biologiques sont réglés pour atteindre une efficacité et une robustesse maximales, nous étudions comment une représentation efficace peut être réalisée dans des réseaux avec des probabilités de connexion locale et une dynamique synaptique observée de manière expérimentale. Nous développons une règle synaptique locale régularisée de type Lasso, qui optimise le nombre et l'efficacité des connexions récurrentes. Les connexions qui affectent le moins le rendement sont élaguées, et la force des connexions restantes est optimisée pour une meilleure représentation du signal. Notre théorie prédit que la probabilité de connexion locale détermine le compromis entre le nombre de potentiels d'action de la population et le nombre de connexions synaptiques qui sont développées et maintenues dans le réseau. Les réseaux plus faiblement connectés représentent des signaux avec des fréquences de déclenchement plus élevées que ceux avec une connectivité plus dense. La variabilité des probabilités de connexion observées dans les réseaux biologiques pourrait alors être considérée comme une conséquence de ce compromis et serait liée à différentes conditions de fonctionnement des circuits. Les connexions récurrentes apprises sont structurées et la plupart des connexions sont réciproques. La dimensionnalité des poids synaptiques récurrents peut être déduite de la probabilité de connexion du réseau et de la dimensionnalité du stimulus. La connectivité optimale d'un réseau avec des délais synaptiques se situe quelque part à un niveau intermédiaire, ni trop faible ni trop dense. De plus, lorsque nous ajoutons une autre contrainte biologique comme la régulation des taux de décharge par adaptation, notre règle d'apprentissage conduit à une mise à l'échelle observée de manière expérimentale des poids synaptiques. Nos travaux soutiennent l'idée que les micro-circuits biologiques sont hautement organisés et qu'une étude détaillée de leur organisation nous aidera à découvrir les principes de la représentation sensorielle.