L’apprentissage machine a parcouru beaucoup de chemin avec des succès marquants ces dernières années. Pourtant, les réseaux de neurones font encore des erreurs surprenantes en présence de corrélations factices. Le réseau basera sa décision sur des caractéristiques non pertinentes dans les données qui se corréleront avec son objectif lors de l'apprentissage. En revanche, les humains sont moins enclins à commettre de telles erreurs, car ils peuvent exploiter des sources d'information plus diverses pour leurs décisions. Bien que les représentations factorisées (démêlée) soient souvent présentées comme la solution pour une bonne généralisation, nous soutenons qu'un ensemble d'experts devrait apprendre aussi librement que possible avec des contraintes minimales, puis rééquilibrer leur sortie proportionnellement à leur similarité. Dans cette thèse, nous proposons une nouvelle approche : en nous inspirant de la façon dont les neurones biologiques sont connectés latéralement, nous introduisons un mécanisme pour rééquilibrer la décision des paires de neurones qui répondent de manière similaire aux entrées, favorisant la diversité de l'information par rapport à leur similarité. Nous démontrons par un cas de test extrême que l’inhibition locale peut avoir un impact positif sur la robustesse des décisions d’un réseau de neurones. / Machine learning has made remarkable strides in recent years, yet neural networks still make surprising mistakes in the presence of spurious correlations. The network will base its decision on irrelevant features in the data that happen to correlate with its objective during training. In contrast, humans are less prone to making such errors since we can leverage more diverse sources of information to make decisions. While maximally factorized or disentangled representations is often cited as the solution for generalization, we argue that an ensemble of experts should learn as freely as possible with minimal constraints and then rebalance their output proportional to their similarity. In this thesis, we propose a novel approach to do this: inspired by the lateral connections between biological neurons, we introduce a mechanism that rebalances the output of pairs of neurons that respond similarly to inputs, promoting information diversity over redundancy. We demonstrate by subjective the network to an extreme test case that local inhibition can have a positive impact on an ANN’s decision robustness.

Le cervelet permet l’apprentissage moteur et la coordination des mouvements fins. Pour ce faire, il intègre les informations sensorielles provenant de l’ensemble du corps ainsi que les commandes motrices émises par d’autres structures du système nerveux central. Les noyaux cérébelleux profonds (DCN) constituent la sortie du cervelet et intègre les informations provenant des cellules de Purkinje (PC), des fibres moussues et des fibres grimpantes. Nous avons étudié les connexions fonctionnelles entres les PC et les DNC in vivo, grâce à une stimulation optogénétique des lobules IV/V du cortex cérébelleux et à l’enregistrement multi unitaire du noyau médian. Nous avons ainsi identifié deux groupes de cellules au sein des DCN, présentant des caractéristiques propres au niveau de leur fréquence de décharge et de la forme des potentiels d’action, en accord avec la dichotomie établie par une précédente étude in vitro permettant de séparer les neurones GABAergiques des autres neurones. Nos résultats suggèrent que les PC contrôlent la sotie du cervelet d’un point de vue temporel. De plus, la ciruiterie interne des DCN conforte ce résultat de part le fait que les cellules GABAergiques ne produisent pas d’effet temporel au travers de l’inhibition locale. / The cerebellum integrates motor commands with somatosensory, vestibular, visual and auditory information for motor learning and coordination functions. The deep cerebellar nuclei (DCN) generates the final output by processing inputs from Purkinje cells (PC), mossy and climbing fibers. We investigated the properties of PC connections to DCN cells using optogenetic stimulation in L7-ChR2 mice with in vivo multi electrode extracellular recordings in lobule IV/V of the cerebellar cortex and in the medial nuclei. DCN cells discharged phase locked to local field potentials in the beta, gamma and high frequency bands. We identified two groups of DCN cells with significant differences in action potential waveforms and firing rates, matching previously discriminated in vitro properties of GABAergic and non-GABAergic cells. PCs inhibited the two group of cells gradually (rate coding), however spike times were controlled for only non-GABAergic cells. Our results suggest that PC inputs temporally control the output of cerebellum and the internal DCN circuitry supports this phenomenon since GABAergic cells do not induce a temporal effect through local inhibition.