Titre de l'écran-titre (visionné le 27 septembre 2023) / Il est bien établi que la consolidation d'une nouvelle habileté motrice survient hors ligne, c'est-à-dire sans pratique supplémentaire, entre les sessions de pratique (Robertson et al., 2004a). Il y a de plus en plus d'évidences que le sommeil joue un rôle essentiel dans ce processus de consolidation (King et al., 2017). Les réseaux neuronaux qui sous-tendent la consolidation en mémoire d'un apprentissage moteur pendant la pratique et pendant une période de sommeil ont été largement caractérisés (King et al., 2017), mais les dynamiques cérébrales associées à ce processus restent peu explorées. Des données de magnétoencéphalographie (MEG) ont été utilisées pour caractériser l'effet du sommeil sur les dynamiques cérébrales associées à la consolidation en mémoire d'un apprentissage moteur. Deux groupes de participants sains (n =33) ont été entrainés sur une tâche d'appuis-bouton séquentiels avec leur main non-dominante pendant que leur activité cérébrale était enregistrée en MEG. Les participants ont ensuite réalisé la même tâche dans la MEG durant une session de retest trois jours après l'entrainement initial. Durant la première nuit suivant la session d'entrainement initial, le premier groupe a dormi normalement (groupe SG), alors que le second groupe a été privé de sommeil (groupe SDG). Les données comportementales ont montré une plus grande amélioration de la performance durant le retest comparativement à l'entrainement initial chez le groupe SG seulement, confirmant que le sommeil améliore la consolidation en mémoire. Les analyses des données MEG ont révélé une modulation de l'activité oscillatoire bêta durant la pratique au niveau du cortex moteur primaire (M1) dans le groupe SG. Spécifiquement, nous avons observé une diminution de la désynchronisation reliée au mouvement durant le retest comparativement à l'entrainement initial. Durant les périodes de repos inter-pratique, soit les courtes périodes de repos (15s) entrecoupées entre les blocs de pratique, une augmentation de la synchronisation des oscillations bêta dans les aires pariétales a été observée durant la session de retest comparativement à l'entrainement initial pour le groupe SG seulement. Finalement, une corrélation positive a été observée entre les changements intersession de la performance et de l'activité oscillatoire cérébrale dans le groupe SG: plus l'amélioration de la performance était grande, plus la diminution de la désynchronisation bêta reliée au mouvement dans l'hippocampe était grande. Ces résultats suggèrent que le sommeil favorise la consolidation en mémoire d'un apprentissage moteur et module l'activité oscillatoire associée à la pratique et aux périodes de repos dans un réseau moteur, pariétal et hippocampique. / It is well-established that the consolidation of newly acquired motor skills occurs offline, i.e., without further task practice, between practice sessions (Robertson et al., 2004a). There is increasing evidence that sleep plays a critical role in the motor memory consolidation process (King et al., 2017). The neural networks underlying motor learning and sleep-related memory consolidation have been extensively characterized (King et al., 2017) but less is known about the oscillatory brain dynamics supporting these processes. Magnetoencephalography (MEG) was used to characterize the effect of post-learning sleep on the oscillatory dynamics associated with motor memory consolidation. Two groups of young healthy participants (n = 33) were trained on a sequential finger-tapping task with their left non-dominant hand while their brain activity was recorded with MEG. The participants then performed the same task during a retest session taking place in the MEG three days after the initial training. During the first night following the initial training session, one group of participants slept normally (SG group), while the other group was totally sleep-deprived (SDG group). The behavioral results show greater performance improvement from training to retest in the SG as compared to the SDG, suggesting that sleep is beneficial for motor memory consolidation. MEG data analysis revealed a modulation of practice-related beta (18-25 Hz) oscillatory activity over the primary motor cortex (M1) in the SG group. Specifically, we observed a decrease in movement-related desynchronization during task practice during retest as compared to training. During inter-practice rest periods, i.e., the short rest blocks (15s) interspersed between blocks of task practice, greater beta synchronization was observed over parietal regions during the retest as compared to the initial training session in the SG group. Finally, a positive correlation was observed between inter-session changes in performance and oscillatory brain activity in the SG, such that the greater the performance improvement, the greater the decrease in task-related beta desynchronization in the hippocampus. These results suggest that sleep promotes motor memory consolidation and modulates the oscillatory activity associated with both task practice and inter-practice rest periods in a motor-parietal-hippocampal network.

Tracer un patron par l’entremise d’un miroir crée un conflit entre la vision et la proprioception. L’apprentissage de cette tâche est caractérisé par une diminution de gain proprioceptif du membre supérieur. Lorsque la tâche est effectuée en position debout, les informations sensorielles des membres inférieurs sont nécessaires au contrôle de l’équilibre. Le but de notre étude est d’évaluer si une contrainte posturale modifie l’apprentissage du tracé au miroir. Pour chaque groupe d’âge, la moitié des individus a appris la tâche en position assise alors que l’autre moitié l’a fait en position debout. Les groupes étaient ensuite comparés lors d’une séance de transfert en position debout. Lors de cette séance, les âgés qui ont appris assis montrent une meilleure performance que ceux qui ont appris debout malgré le nouveau contexte sensorimoteur. Cela suggère que le traitement différencié des informations proprioceptives nuit à l’apprentissage d’une tâche motrice comprenant un conflit visuo-proprioceptif.

Concevoir une lentille, que ce soit pour l'astronomie, la microscopie ou la vision numérique, est un problème de taille visant à trouver un compromis idéal entre la qualité d'image et les différentes contraintes. Par une procédure d'essais-erreurs, une approche typique consiste à sélectionner un point de départ parmi une banque de designs optiques puis à l'optimiser dans l'espoir de satisfaire les présents requis. Cette approche n'exploite pas pleinement la montagne d'information contenue dans les banques de designs : un seul de ces designs contribue au problème à la fois, et seulement s'il répond approximativement aux spécifications et à la configuration désirée. Comment peut-on faire mieux ? L'hypothèse de départ de cette thèse est que l'on peut utiliser l'apprentissage automatique pour extraire et exploiter les caractéristiques communes aux designs de haute qualité que l'on retrouve dans ces banques de données. Concrètement, ces designs conçus par des experts contribuent à l'entraînement d'un modèle d'apprentissage profond qui prend en entrée les spécifications désirées et retourne tous les paramètres nécessaires pour modéliser une lentille. Le contenu de cette thèse, qui détaille le développement de ce cadre d'extrapolation de lentilles, peut se résumer en trois principales contributions. Premièrement, nous définissons et validons un objectif d'entraînement qui compense pour la rareté des données disponibles, soit en intégrant le problème d'optimisation de lentilles directement à la boucle d'entraînement du modèle. Deuxièmement, nous élaborons un modèle dynamique qui acquiert une représentation commune pour toutes les lentilles indépendamment de leur configuration, ce qui nous permet d'extrapoler la banque de designs pour générer des lentilles sur de nouvelles configurations. Troisièmement, nous ajustons le cadre pour refléter le caractère multimodal de la conception afin d'inférer plusieurs lentilles de structures différentes pour n'importe quel ensemble de spécifications et de configuration de lentille. Avec une portée adéquate et un entraînement réussi, ce cadre d'extrapolation de lentilles représente un outil inédit pour la conception optique : une fois le modèle déployé, il permet d'obtenir sur demande des points de départ de haute qualité, variés et sur mesure, et ce, en un temps minimal. / Designing a lens, whether for astronomy, microscopy, or computer vision, is a challenging task that seeks an ideal balance between image quality and various constraints. Through a trial-and-error process, a typical approach consists in selecting a starting point in a lens design database and optimizing it to hopefully satisfy the problem at hand. This approach, however, does not fully harness the wealth of information contained in lens design databases: only one such design contributes to the problem at a time, and only if it approximately meets the desired specifications and configuration. How can we do better? The premise of this work is that machine learning can be used to extract and exploit the common features of the high-quality designs contained in lens design databases. Specifically, the expertly conceived designs that compose these databases are used to guide the training process of a deep learning-based model, which receives the design specifications as input and returns all the parameters needed to fully represent a lens. The content of the thesis, which details the development of this lens design extrapolation framework, can be summarized in three main contributions. First, we define and validate a training objective that compensates for the scarcity of available data, by integrating the lens optimization problem directly into the model training loop. Second, we develop a dynamic model that acquires a common representation for all lenses regardless of their configuration, allowing us to extrapolate the lens database to generate lenses on new, unseen configurations. Third, we extend the framework to capture the multimodal nature of lens design, so that multiple lenses with different structures can be inferred for any given set of specifications and configuration. With a suitable scope and a successful training process, this lens design extrapolation framework offers a new and valuable tool for lens designers: once the model is deployed, only a minimal amount of time is required to obtain varied, high-quality starting points that are tailored to the desired specifications.

La métabolomique est l'étude des petites molécules produites par un système biologique. L'objectif principal des études en métabolomique non ciblées est la recherche d'une signature moléculaire, à base de biomarqueurs, permettant de distinguer deux phénotypes(ex. : malade et sain). Elle trouve des applications dans le domaine de la santé, de la nutrition, de l'agroalimentation et même de l'environnement. La spectrométrie de masse couplée à la chromatographie liquide est une des techniques les plus utilisées puisqu'elle offre sensibilité et spécificité lors de l'étude du métabolome. Par contre, le long temps d'analyse limite la taille et la portée des études métabolomiques. De nouvelles approches de métabolomique non ciblée à haut débit par spectrométrie de masse où un échantillon peut être analysé en quelques secondes peuvent cependant éliminer cette barrière. Ce changement de paradigme entraîne une complexification des différentes étapes de l'analyse de données (prétraitement, recherche de biomarqueurs et identification des métabolites). Dans le cadre de cette thèse, nous proposons différents outils basés sur l'apprentissage automatique visant à résoudre les problèmes d'analyse de données causés par une accélération de la vitesse d'acquisition et une augmentation du nombre d'échantillons. Premièrement, nous proposons une série d'algorithmes de correction et d'alignement de spectres de masse visant à les rendre comparables afin de permettre les analyses statistiques et l'apprentissage automatique. Deuxièmement, nous présentons MetaboDashboard, un outil visant à simplifier et à démocratiser l'utilisation de l'apprentissage automatique pour la recherche de biomarqueurs en métabolomique non ciblée. Un exemple de son utilisation dans le contexte d'une infection virale des voies respiratoires est présenté. Finalement, un réseau de neurones appelé DeepCCS permettant la prédiction de la section efficace dans l'objectif de supporter l'identification des métabolites est exposé. Nous démontrons, tout au long de cette thèse, l'utilité et la puissance de l'apprentissage automatique appliqué à la métabolomique non ciblée. Les outils computationnels présentés dans cette thèse sont le point de départ du développement d'une méthode de métabolomique non ciblée à haut débit. Nous espérons qu'ultimement, les contributions de cette thèse permettront la détection de biomarqueurs associés à différents phénotypes dans des populations entières avec un maximum de précision et à une vitesse encore jamais vue. / Metabolomics is defined as the study of small molecules produced by a biological system. The main objective of metabolomic studies is the search of a molecular signature, constituted of biomarkers, that allow to distinguish two phenotypes (ex: sick and healthy). It can be applied to diverse fields such as health, nutrition, food and environment. Mass spectrometry coupled to liquid chromatography is the most common technique used in metabolomics since it offers sensibility and specificity. Unfortunately, the long running time of these analysis limits the size and impact of metabolomic studies. New approaches in high-throughput untargeted metabolomics, where a sample can be analyzed in seconds, try to overcome this limitation. This new paradigm increases the complexity of the different data analysis steps that follows that acquisition (data pre-treatment, biomarker discovery and metabolite identification). In this thesis, we propose different tools based on machine learning that aim at solving the new data analysis issues that arise from the increased number of samples and throughput. First, we present new algorithms to correct and align mass spectra to make them comparable in order to enable statistical analysis and machine learning. Second, we present MetaboDashboard, a tool that aims at simplifying and democratizing the use of machine learning approach for biomarker discovery in the context of untargeted metabolomics. An example of its usage in the context of viral respiratory tract infection is then presented. Finally, a neural network tool called DeepCCS, that allow the prediction of collisional cross section for metabolite identification is reported. Throughout this thesis, we demonstrate the use and impact of machine learning applied to different problems in untargeted metabolomics. The computational tools presented in this thesis are the first steps towards the development of new methods in high-throughput untargeted metabolomics. We hope that ultimately, the scientific contributions presented in this thesis will enable biomarker discovery for different phenotypes at the scale of whole population with a level of precision and speed never seen before.

Titre de l'écran-titre (visionné le 28 septembre 2023) / La capacité du cerveau humain à stocker temporairement et manipuler des informations, connue sous le nom de mémoire de travail, est cruciale pour de nombreux processus cognitifs tels que la prise de décision, la planification et la mémoire épisodique. Elle constitue un moment critique entre la mémoire, l'attention et la perception et est centrale pour une large gamme de fonctions cognitives et de comportements orientés vers un objectif. Les études récentes montrent que des séquences de profils d'activité cérébrale spécifiques aux éléments encodés en mémoire peuvent être "rejouées" (réactivé- « replay ») après un apprentissage (épisodique, moteur, etc.) ou pendant la prise de décision. Cependant le rôle fonctionnel de ces replays dans la mémoire de travail est à ce jour peu défini. La présente étude vise à identifier les marqueurs neuronaux associés à l'apprentissage associatif et à étudier la réactivation de ces associations audio-visuelles apprises pendant les périodes de rétention et de manipulation en mémoire de travail. Cette étude utilise la Magnétoencéphalographie (MEG) pour mesurer l'activité cérébrale pendant l'apprentissage et lors d'une tâche de mémoire de travail, ainsi que des techniques de classification multivariée. Cette approche est utilisée dans le but d'identifier les motifs neuronaux associés aux éléments mémorisés et pour investiguer la dynamique de ces motifs pendant la rétention et la manipulation de l'information en mémoire. Plus précisément, dans cette étude, nous avons tout d'abord cherché à investiguer les mécanismes neuraux associés à l'apprentissage associatif audio-visuel chez l'homme en utilisant une des approches comportementales, de MEG et d'apprentissage machine. Les analyses ont révélé une activité thêta soutenue au sein d'un réseau distribué, indiquant la coopération temporelle des régions cérébrales pendant et après l'apprentissage. L'étude a également révélé une désynchronisation bêta associée à l'apprentissage dans les régions fronto-temporales et pariétales, des régions connues pour être impliquées dans les fonctions de la mémoire de travail. De plus, nous avons identifié des périodes de réactivation des profils cérébraux associés à l'apprentissage pendant les périodes de rétention et de manipulation de la tâche de mémoire de travail. Nous proposons que ces réactivations, inversées (« backward ») et rapides (20 ms), jouent un rôle crucial dans le maintien et la manipulation à court terme des informations en mémoire. Notre étude apporte des preuves de replay rapide « backward » pendant la mémoire de travail, et nos recherches en cours visent à élucider leur rôle en lien avec le comportement. Dans l'ensemble, nos résultats améliorent notre compréhension des mécanismes neuronaux complexes supportant la mémoire de travail, De plus, ils appuient l'idée selon laquelle la réactivation rapide de l'activité neuronale des items préalablement appris pourrait jouer un rôle crucial dans les processus de mémoire de travail et de mémoire séquentielle chez les humains. / Working memory, known as the ability of the human brain to temporarily store and manipulate information, is crucial for many cognitive processes such as decision-making, planning, and episodic memory. It is at the critical juncture between memory, attention, and perception, and is central to a range of cognitive functions and goal-directed behaviors. Studies show that item-specific sequences of neural patterns, that were active during the task, are reactivated ('replayed') afterwards in a temporally compressed manner. Replay is a process in the brain that occurs during both wakeful and sleep states, in which information from memory is reactivated. Recent studies have demonstrated neural replay mechanisms during decision-making and after learning (motor, episodic etc.), however, the interplay between working memory and replay remains to be studied. This study aimed to identify the neural markers associated with associative learning and to investigate the replay of learned associations during working memory. In this study, we utilized magnetoencephalography (MEG) to measure neural activity before, during after associative learning and during a working memory task. We used multivariate classification techniques to identify neural patterns associated with memorized items and investigate the dynamics of these patterns during working memory retention and manipulation. In addition, we aimed to investigate the neural mechanisms associated with associative learning in humans by using a combination of behavioral, MEG, and machine learning approaches. Our analysis demonstrated sustained theta activity within a distributed network, indicating the temporal cooperation of brain regions during and after learning. The study also revealed a learning-associated beta desynchronization over fronto-temporal and parietal regions, regions known to be involved in working memory functions. Moreover, fast-backward replay was detected during working memory retention and manipulation periods. We propose that these fast-backward replay may play a crucial role in strengthening memory traces. Our ongoing research aims to elucidate the relationship between backward replay in working memory retention and manipulation periods and behavioral performance. Overall, our findings improve our understanding of the complex neural mechanisms underlying working memory and learning and support the idea that fast neural replay of previously leaned items may play a crucial role in working memory and sequential memory processes in humans.

Thèse ou mémoire avec insertion d'articles / Le transfert de connaissances a priori est essentiel pour améliorer les performances des modèles modernes d'apprentissage profond et réduire les coûts pour les entraîner. Cet article vise à étudier ce sujet important en établissant des cadres théoriques systématiques pour le transfert de connaissances a priori en apprentissage profond. Premièrement, nous introduisons un cadre théorique unifié reliant les approches conventionnelles d'apprentissage à apprendre et les méthodes modernes de méta-apprentissage indépendant du modèle (MAML). Les méthodes conventionnelles apprennent conjointement des modèles spécifiques à une tâche et des méta-paramètres en utilisant tous les données, tandis que MAML alterne entre les données de méta-train et de méta-validation pour entraîner les modèles et les méta-paramètres. Nous fournissons des bornes de généralisation qui sont dépendantes de l'algorithme d'apprentissage et des données, garantissant l'efficacité des deux approches. De plus, nous analysons l'impact des séparations des données de méta-train et méta-validation sur l'apprentissage alterné et proposons des bornes de généralisation non-trivials pour "l'apprentissage profond avec peu d'exemples", qui sont estimées avec l'incohérence de gradient entre les donnés de méta-train et tous les données. Par la suite, pour l'adaptation de domaine, cette thèse procède à une analyse complète des travaux théoriques antérieurs, visant à aborder certaines limites concernant les approches utilisant l'alignement de la représentation, le changement de distribution cible et le pseudo-étiquetage. Concrètement, nous présentons des analyses rigoureuses basées sur la théorie de l'information mutuelle pour l'adaptation de domaine multi-sources et proposons un algorithme qui effectue un alignement de représentation conjointe avec des pseudo-étiquettes pour atténuer le changement de distribution cible. Cet algorithme peut surpasser celui des travaux précédents dans le scénario non supervisé. Enfin, nous visons à résoudre le dilemme stabilité-plasticité dans le méta-apprentissage continu. Nous sommes les premiers à formuler théoriquement ce problème constitué d'un mélange d'apprentissage statistique et d'apprentissage en ligne dans des environnements statiques ou changeants. La théorie proposée peut identifier les facteurs influençant le compromis apprentissage-oubli à deux niveaux pour l'apprenant d'une tache et le méta-apprenant dans des environnements changeants. Nous proposons en outre un algorithme qui équilibre ce compromis à deux niveaux avec des performances empiriques améliorées. Dans l'ensemble, cette thèse fournit un cadre théorique unifié pour le méta-apprentissage, résout certaines limitations de l'adaptation de domaine et aborde le dilemme stabilité-plasticité dans le méta-apprentissage continu. Ses contributions constituent une amélioration de notre compréhension de ces domaines et proposent de meilleures méthodes de transfert de connaissances dans l'apprentissage profond. / Transferring prior knowledge is crucial in enhancing performance and reducing the training costs of modern deep-learning models. This thesis aims to study this important topic by developing systematic theoretical frameworks for prior knowledge transfer in deep learning. Firstly, we introduce a unified theoretical framework connecting the conventional learning-to-learn approaches and the modern model-agnostic meta-learning (MAML) methods. Conventional methods jointly learn task-specific models and meta-parameters using the entire dataset, while MAML alternates between meta-train and meta-validation sets for training models and meta-parameters. We provide algorithm-dependent and data-dependent generalization bounds, ensuring the effectiveness of both approaches. Furthermore, we analyze the impact of meta-train-validation split on alternate training methods and offer non-vacuous generalization bounds for deep few-shot learning estimated with the gradient-incoherence between the meta-train and the entire dataset. Subsequently, for domain adaptation, the thesis conducts a comprehensive analysis of previous theoretical works, aiming to address several limitations in representation alignment, target shift, and pseudo-labeling. Concretely, we present rigorous analyses based on information-theoretic learning theory for multi-source domain adaptation and propose an algorithm that conducts joint representation alignment with pseudo labels to mitigate target shift. The proposed algorithm outperforms previous works under the unsupervised scenario. Finally, we aim to address the stability-plasticity dilemma in continual meta-learning. We are the first to theoretically formulate this online statistical mixture learning problem in both static and shifting environments. The proposed theory can identify factors influencing the bi-level (task- and meta-level) learning-forgetting trade-off in shifting environments. We further propose an algorithm that balances the bi-level trade-off with enhanced empirical performance. Overall, this thesis provides a unified theoretical framework for meta-learning, addresses several limitations in domain adaptation, and tackles the stability-plasticity dilemma in continual meta-learning. Its contributions constitute improving our understanding of these areas and proposing new enhanced methods of knowledge transfer in deep learning.

Tableau d'honneur de la Faculté des études supérieures et postdoctorales, 2016-2017 / Introduction : Une proportion importante des individus ayant recours à des services de réadaptation physique vit avec de la douleur et des incapacités locomotrices. Plusieurs interventions proposées par les professionnels de la réadaptation afin de cibler leurs difficultés locomotrices nécessitent des apprentissages moteurs. Toutefois, très peu d’études ont évalué l’influence de la douleur sur l’apprentissage moteur et aucune n’a ciblé l’apprentissage d’une nouvelle tâche locomotrice. L’objectif de la thèse était d’évaluer l’influence de stimulations nociceptives cutanée et musculaire sur l’acquisition et la rétention d’une adaptation locomotrice. Méthodologie : Des individus en santé ont participé à des séances de laboratoire lors de deux journées consécutives. Lors de chaque séance, les participants devaient apprendre à marcher le plus normalement possible en présence d’un champ de force perturbant les mouvements de leur cheville, produit par une orthèse robotisée. La première journée permettait d’évaluer le comportement des participants lors de la phase d’acquisition de l’apprentissage. La seconde journée permettait d’évaluer leur rétention. Selon le groupe expérimental, l’apprentissage se faisait en présence d’une stimulation nociceptive cutanée, musculaire ou d’aucune stimulation (groupe contrôle). Initialement, l’application du champ de force provoquait d’importantes déviations des mouvements de la cheville (i.e. erreurs de mouvement), que les participants apprenaient graduellement à réduire en compensant activement la perturbation. L’erreur de mouvement moyenne durant la phase d’oscillation (en valeur absolue) a été quantifiée comme indicateur de performance. Une analyse plus approfondie des erreurs de mouvement et de l’activité musculaire a permis d’évaluer les stratégies motrices employées par les participants. Résultats : Les stimulations nociceptives n’ont pas affecté la performance lors de la phase d’acquisition de l’apprentissage moteur. Cependant, en présence de douleur, les erreurs de mouvement résiduelles se trouvaient plus tard dans la phase d’oscillation, suggérant l’utilisation d’une stratégie motrice moins anticipatoire que pour le groupe contrôle. Pour le groupe douleur musculaire, cette stratégie était associée à une activation précoce du muscle tibial antérieur réduite. La présence de douleur cutanée au Jour 1 interférait avec la performance des participants au Jour 2, lorsque le test de rétention était effectué en absence de douleur. Cet effet n’était pas observé lorsque la stimulation nociceptive cutanée était appliquée les deux jours, ou lorsque la douleur au Jour 1 était d’origine musculaire. Conclusion : Les résultats de cette thèse démontrent que dans certaines circonstances la douleur peut influencer de façon importante la performance lors d’un test de rétention d’une adaptation locomotrice, malgré une performance normale lors de la phase d’acquisition. Cet effet, observé uniquement avec la douleur cutanée, semble cependant plus lié au changement de contexte entre l’acquisition des habiletés motrices et le test de rétention (avec vs. sans douleur) qu’à une interférence directe avec la consolidation des habiletés motrices. Par ailleurs, malgré l’absence d’influence de la douleur sur la performance des participants lors de la phase d’acquisition de l’apprentissage, les stratégies motrices utilisées par ceux-ci étaient différentes de celles employées par le groupe contrôle. / Introduction: A large proportion of individuals undergoing physical rehabilitation live with concurrent pain and locomotor disabilities. Many rehabilitation interventions targeting these locomotor disabilities are based on motor learning principles. However, very few studies have assessed the effect of pain on motor learning and none has targeted locomotor learning. The objective of this thesis was to evaluate the effect of cutaneous and muscular nociceptive stimulations on the acquisition and retention of a locomotor adaptation. Methods: Healthy individuals participated in laboratory sessions on two consecutive days. On each day, participants had to learn to walk as normally as possible while a robotized ankle-foot orthosis systematically applied a force field perturbing their ankle movements. Day 1 allowed the quantification of participants’ behaviour during the acquisition phase of motor learning. Day 2 tested retention. A cutaneous or muscular nociceptive stimulation, or no stimulation (Control group) was applied to participants during one or both learning sessions as a function of the group they were assigned to. Initially, the force field caused large deviations of participants’ ankle movements (i.e. movement errors). After walking several strides with the perturbation, participants learned to overcome it, thereby reducing movement errors. The mean absolute movement error during swing was calculated to assess participants’ performance. Detailed analysis of movement errors combined with muscle activity allowed to quantify the motor strategies employed. Results: Pain did not interfere with motor performance during the acquisition phase of motor learning. However, movement errors occurred later in the swing phase in the presence of pain, suggesting a reduction in anticipatory strategy compared to controls. For the muscle pain group, this change in strategy was associated with a reduced early activation of the Tibialis Anterior muscle. Furthermore, the presence of cutaneous pain on Day 1 interfered with participants’ performance on Day 2, when the retention test was performed in the absence of pain. However, this effect was not observed if cutaneous pain was applied on both days or if Day 1 pain was muscular. Conclusions: Results obtained showed that under particular circumstances, pain can greatly influence participants’ performance during a retention test, despite apparently normal performance during the acquisition phase of learning. This finding, observed only for cutaneous pain, appears to be more related to the change in context between the acquisition of motor skills and the retention test (pain vs no pain) than to a direct interference with the consolidation processes. Moreover, despite the fact that pain had no effect on motor performance during the acquisition phase of motor learning, motor strategies used by participants were modified when compared to controls.

La popularité des médias sociaux en ligne (Online Social Media - OSM) est fortement liée à la qualité du contenu généré par l'utilisateur (User Generated Content - UGC) et la protection de la vie privée des utilisateurs. En se basant sur la définition de la qualité de l'information, comme son aptitude à être exploitée, la facilité d'utilisation des OSM soulève de nombreux problèmes en termes de la qualité de l'information ce qui impacte les performances des applications exploitant ces OSM. Ces problèmes sont causés par des individus mal intentionnés (nommés spammeurs) qui utilisent les OSM pour disséminer des fausses informations et/ou des informations indésirables telles que les contenus commerciaux illégaux. La propagation et la diffusion de telle information, dit spam, entraînent d'énormes problèmes affectant la qualité de services proposés par les OSM. La majorité des OSM (comme Facebook, Twitter, etc.) sont quotidiennement attaquées par un énorme nombre d'utilisateurs mal intentionnés. Cependant, les techniques de filtrage adoptées par les OSM se sont avérées inefficaces dans le traitement de ce type d'information bruitée, nécessitant plusieurs semaines ou voir plusieurs mois pour filtrer l'information spam. En effet, plusieurs défis doivent être surmontées pour réaliser une méthode de filtrage de l'information bruitée . Les défis majeurs sous-jacents à cette problématique peuvent être résumés par : (i) données de masse ; (ii) vie privée et sécurité ; (iii) hétérogénéité des structures dans les réseaux sociaux ; (iv) diversité des formats du UGC ; (v) subjectivité et objectivité. Notre travail s'inscrit dans le cadre de l'amélioration de la qualité des contenus en termes de messages partagés (contenu spam) et de profils des utilisateurs (spammeurs) sur les OSM en abordant en détail les défis susmentionnés. Comme le spam social est le problème le plus récurant qui apparaît sur les OSM, nous proposons deux approches génériques pour détecter et filtrer le contenu spam : i) La première approche consiste à détecter le contenu spam (par exemple, les tweets spam) dans un flux en temps réel. ii) La seconde approche est dédiée au traitement d'un grand volume des données relatives aux profils utilisateurs des spammeurs (par exemple, les comptes Twitter). / The popularity of OSM is mainly conditioned by the integrity and the quality of UGC as well as the protection of users' privacy. Based on the definition of information quality as fitness for use, the high usability and accessibility of OSM have exposed many information quality (IQ) problems which consequently decrease the performance of OSM dependent applications. Such problems are caused by ill-intentioned individuals who misuse OSM services to spread different kinds of noisy information, including fake information, illegal commercial content, drug sales, mal- ware downloads, and phishing links. The propagation and spreading of noisy information cause enormous drawbacks related to resources consumptions, decreasing quality of service of OSM-based applications, and spending human efforts. The majority of popular social networks (e.g., Facebook, Twitter, etc) over the Web 2.0 is daily attacked by an enormous number of ill-intentioned users. However, those popular social networks are ineffective in handling the noisy information, requiring several weeks or months to detect them. Moreover, different challenges stand in front of building a complete OSM-based noisy information filtering methods that can overcome the shortcomings of OSM information filters. These challenges are summarized in: (i) big data; (ii) privacy and security; (iii) structure heterogeneity; (iv) UGC format diversity; (v) subjectivity and objectivity; (vi) and service limitations In this thesis, we focus on increasing the quality of social UGC that are published and publicly accessible in forms of posts and profiles over OSNs through addressing in-depth the stated serious challenges. As the social spam is the most common IQ problem appearing over the OSM, we introduce a design of two generic approaches for detecting and filtering out the spam content. The first approach is for detecting the spam posts (e.g., spam tweets) in a real-time stream, while the other approach is dedicated for handling a big data collection of social profiles (e.g., Twitter accounts).

L'Apprentissage Automatique tire ses racines d'un large champ disciplinaire qui inclut l'Intelligence Artificielle, la Reconnaissance de Formes, les Statistiques ou l'Optimisation. Dès les origines de l'Apprentissage, les questions computationelles et les propriétés en généralisation ont toutes deux été identifiées comme centrales pour la discipline. Tandis que les premières concernent les questions de calculabilité ou de complexité (sur un plan fondamental) ou d'efficacité computationelle (d'un point de vue plus pratique) des systèmes d'apprentissage, les secondes visent a comprendre et caractériser comment les solutions qu'elles fournissent vont se comporter sur de nouvelles données non encore vues. Ces dernières années, l'émergence de jeux de données à grande échelle en Apprentissage Automatique a profondément remanié les principes de la Théorie de l'Apprentissage. En prenant en compte de potentielles contraintes sur le temps d'entraînement, il faut faire face à un compromis plus complexe que ceux qui sont classiquement traités par les Statistiques. Une conséquence directe tient en ce que la mise en place d'algorithmes efficaces (autant en théorie qu'en pratique) capables de tourner sur des jeux de données a grande échelle doivent impérativement prendre en compte les aspects statistiques et computationels de l'Apprentissage de façon conjointe. Cette thèse a pour but de mettre à jour, analyser et exploiter certaines des connections qui existent naturellement entre les aspects statistiques et computationels de l'Apprentissage. Plus précisément, dans une première partie, nous étendons l'analyse en stabilité, qui relie certaines propriétés algorithmiques aux capacités de généralisation des algorithmes d'apprentissage, la matrice de confusion, que nous suggérons comme nouvelle mesure de performance (fine). Dans une seconde partie, nous présentons un nouvelle approche pour apprendre une fonction de régression basée sur les noyaux, où le noyau appris sert directement la tâche de régression, et qui exploite la structure du problème pour offrir une procédure d'optimisation peu coûteuse. Finalement, nous étudions le compromis entre vitesse de convergence et coût computationel lorsque l'on minimise une fonction composite avec des méthodes par gradient-proximal inexact. Dans ce contexte, nous identifions des stratégies d'optimisation qui sont computationellement optimales.

Un réseau logique de Markov est formé de clauses en logique du premier ordre auxquelles sont associés des poids. Cette thèse propose plusieurs méthodes pour l'apprentissage de la structure de réseaux logiques de Markov (MLN) à partir de données relationnelles. Ces méthodes sont de deux types, un premier groupe reposant sur les techniques de propositionnalisation et un second groupe reposant sur la notion de Graphe des Prédicats. L'idée sous-jacente aux méthodes à base de propositionnalisation consiste à construire un jeu de clauses candidates à partir de jeux de littéraux dépendants. Pour trouver de tels jeux, nous utilisons une méthode de propositionnalisation afin de reporter les informations relationnelles dans des tableaux booléens, qui serviront comme tables de contingence pour des test de dépendance. Nous avons proposé deux méthodes de propositionnalisation, pour lesquelles trois algorithmes ont été développés, qui couvrent les problèmes d'appprentissage génératif et discriminant. Nous avons ensuite défini le concept de Graphe des Prédicats qui synthétise les relations binaires entre les prédicats d'un domaine. Des clauses candidates peuvent être rapidement et facilement produites en suivant des chemins dans le graphe puis en les variabilisant. Nous avons développé deux algorithmes reposant sur les Graphes des Prédicats, qui couvrent les problèmes d'appprentissage génératif et discriminant.