La demande future de bande passante pour les données dépassera les capacités des systèmes de communication optique actuels, qui approchent de leurs limites en raison des limitations de la bande passante électrique des composants de l’émetteur. L’interférence intersymbole (ISI) due à cette limitation de bande est le principal facteur de dégradation pour atteindre des débits de données élevés. Dans ce mémoire, nous étudions plusieurs techniques de réseaux neuronaux (NN) pour combattre les limites physiques des composants de l’émetteur pilotés à des débits de données élevés et exploitant les formats de modulation avancés avec une détection cohérente. Notre objectif principal avec les NN comme égaliseurs de canaux ISI est de surmonter les limites des récepteurs optimaux conventionnels, en fournissant une complexité évolutive moindre et une solution quasi optimale. Nous proposons une nouvelle architecture bidirectionnelle profonde de mémoire à long terme (BiLSTM), qui est efficace pour atténuer les graves problèmes d’ISI causés par les composants à bande limitée. Pour la première fois, nous démontrons par simulation que notre BiLSTM profonde proposée atteint le même taux d’erreur sur les bits(TEB) qu’un estimateur de séquence à maximum de vraisemblance (MLSE) optimal pour la modulation MDPQ. Les NN étant des modèles pilotés par les données, leurs performances dépendent fortement de la qualité des données d’entrée. Nous démontrons comment les performances du BiLSTM profond réalisable se dégradent avec l’augmentation de l’ordre de modulation. Nous examinons également l’impact de la sévérité de l’ISI et de la longueur de la mémoire du canal sur les performances de la BiLSTM profonde. Nous étudions les performances de divers canaux synthétiques à bande limitée ainsi qu’un canal optique mesuré à 100 Gbaud en utilisant un modulateur photonique au silicium (SiP) de 35 GHz. La gravité ISI de ces canaux est quantifiée grâce à une nouvelle vue graphique des performances basée sur les écarts de performance de base entre les solutions optimales linéaires et non linéaires classiques. Aux ordres QAM supérieurs à la QPSK, nous quantifions l’écart de performance BiLSTM profond par rapport à la MLSE optimale à mesure que la sévérité ISI augmente. Alors qu’elle s’approche des performances optimales de la MLSE à 8QAM et 16QAM avec une pénalité, elle est capable de dépasser largement la solution optimale linéaire à 32QAM. Plus important encore, l’avantage de l’utilisation de modèles d’auto-apprentissage comme les NN est leur capacité à apprendre le canal pendant la formation, alors que la MLSE optimale nécessite des informations précises sur l’état du canal. / The future demand for the data bandwidth will surpass the capabilities of current optical communication systems, which are approaching their limits due to the electrical bandwidth limitations of the transmitter components. Inter-symbol interference (ISI) due to this band limitation is the major degradation factor to achieve high data rates. In this thesis, we investigate several neural network (NN) techniques to combat the physical limits of the transmitter components driven at high data rates and exploiting the advanced modulation formats with coherent detection. Our main focus with NNs as ISI channel equalizers is to overcome the limitations of conventional optimal receivers, by providing lower scalable complexity and near optimal solution. We propose a novel deep bidirectional long short-term memory (BiLSTM) architecture, that is effective in mitigating severe ISI caused by bandlimited components. For the first time, we demonstrate via simulation that our proposed deep BiLSTM achieves the same bit error rate (BER) performance as an optimal maximum likelihood sequence estimator (MLSE) for QPSK modulation. The NNs being data-driven models, their performance acutely depends on input data quality. We demonstrate how the achievable deep BiLSTM performance degrades with the increase in modulation order. We also examine the impact of ISI severity and channel memory length on deep BiLSTM performance. We investigate the performances of various synthetic band-limited channels along with a measured optical channel at 100 Gbaud using a 35 GHz silicon photonic(SiP) modulator. The ISI severity of these channels is quantified with a new graphical view of performance based on the baseline performance gaps between conventional linear and nonlinear optimal solutions. At QAM orders above QPSK, we quantify deep BiLSTM performance deviation from the optimal MLSE as ISI severity increases. While deep BiLSTM approaches the optimal MLSE performance at 8QAM and 16QAM with a penalty, it is able to greatly surpass the linear optimal solution at 32QAM. More importantly, the advantage of using self learning models like NNs is their ability to learn the channel during the training, while the optimal MLSE requires accurate channel state information.

De nouvelles preuves suggèrent que les dysfonctionnements des circuits sous-jacents aux symptômes et aux déficits cognitifs des maladies psychiatriques pourraient être causés par une altération des paramètres d'équilibre d’excitation/inhibition (E/I). Cependant, les preuves physiologiques directes de cette hypothèse à partir de données électrophysiologiques et de neuro-imagerie non invasives sont jusqu'à présent rares. Pour apporter un soutien supplémentaire à l’hypothèse de l’équilibre E/I, la présente étude a appliqué une approche avancée de microscopie holographique numérique (MHN) pour examiner la dynamique des systèmes excitateurs/inhibiteurs suite à une stimulation glutamatergique dans des réseaux de neurones à différents stades de maturation neuronale. Cette approche fournissant une mesure approximative très précise des variations de mouvement de l’eau dans les cellules permet d’étudier certains processus physiologiques, tels que ceux reliés à l’activité neuronale. Cette étude a ainsi permis d’améliorer les connaissances sur la dynamique de la réponse neuronale induite par le glutamate, notamment en la caractérisant dans des cultures de neurones corticaux primaires de rats postnataux. L’activation des neurones engendrée par le glutamate, le principal neurotransmetteur excitateur, a révélé des changements plus ou moins persistants de la morphologie et des propriétés intracellulaires des neurones. De plus, les différentes réponses obtenues indiquent que le glutamate engendre des mécanismes d’activation et des processus de régulation du volume neuronal distincts d’un neurone à l’autre, probablement dépendant de l’état d’excitabilité de ce dernier qui résulte de l’interaction complexe des neurones inhibiteurs et excitateurs. Ainsi, la régulation de l’équilibre E/I de réseaux neuronaux pourrait potentiellement être reflétée par la proportion des différentes réponses de phase induites lors de stimulation de réseaux neuronaux au glutamate. / New evidences suggest that circuit dysfunctions underlying symptoms and cognitive deficits of psychiatric disorders may be caused by impaired excitation/inhibition equilibrium parameters (E/I). However, direct physiological evidences supporting this hypothesis from non-invasive electrophysiological and neuroimaging remain scarce. To provide additional support concerning the E/I balance hypothesis, this study uses an advanced digital holographic microscopy (DHM) approach to explore the dynamics of excitatory/inhibitory systems following glutamatergic stimulation in neural networks at different stages of neuronal maturation. This approach provides a very accurate approximate measurement of the water movement variations in cells allowing to study certain specific physiological processes, such as those related to neuronal activity. This study improves the knowledge regarding the dynamics of the glutamate-induced neuronal response, especially by characterizing it in cultures of primary cortical neurons of postnatal rats. The activation of neurons induced by glutamate, which is the main excitatory neurotransmitter, revealed more or less permanent changes in the morphology and intracellular properties of neurons. Moreover, the various responses obtained indicate that glutamate generates different neuronal activation mechanisms and neuronal volume regulation processes from a neuron to another, probably depending to the excitability state of the neuron that results from the complex interaction of inhibitory and excitatory neurons. Thus, the E/I balance regulation of neural networks could potentially be reflected by the proportion of different phase responses induced during glutamate neural network stimulation.

La thèse que nous proposons analyse un problème relié aux réclamations en assurance de dommage grâce aux techniques de pointe en intelligence artificielle. Plus particulièrement, on tente d'effectuer, à l'aide de réseaux de neurones, une classification binaire permettant d'identifier les sinistres qui engendreront des pertes faisant partie des 10% les plus dispendieuses pour un assureur. Afin de réaliser cette tâche, on exploite les notes de sinistres, c'est-à-dire des textes longitudinaux contenant des séries de documents textuels suivant l'évolution temporelle de la réclamation. Dans un premier temps, on propose et évalue différents modèles de classification de séquences de textes, dont LongiBERT (Longitudinal BERT) présentant une architecture hiérarchique exploitant un Transformeur de la famille encodeur pré-entrainé avec plusieurs tâches auxiliaires, dont la prédiction de même réclamation, développée pour cette thèse. Cette tâche entraîne le modèle à déterminer quels sont les éléments laissant croire que deux segments de textes proviennent du même dossier de sinistre. Ceci permet au modèle de langue de mieux capturer les éléments répétés dans une séquence textuelle longitudinale. On présente aussi différentes approches orientées données et régularisations permettant d'améliorer les performances en classification durant le sinistre. Ces approches permettent d'amoindrir les impacts d'une tendance découverte et étudiée dans les travaux doctoraux associés à cette thèse, c'est-à-dire la dépendance à des attributs fallacieux associés à la longueur des dossiers de réclamation. Une approche s'avérant particulièrement intéressante est l'utilisation du modèle de classification SMARTR (Survival and Monthly Aggregated Risk from Text Representations). Dans cette approche innovante, on propose de convertir le texte contenu dans des notes de sinistres en facteurs de risque permettant de calculer une probabilité de dépasser éventuellement un certain seuil monétaire. Ces facteurs peuvent ensuite être analysés pour mieux comprendre les risques associés aux réclamations dispendieuses. Finalement, le dernier chapitre porte sur l'explicabilité des modèles, c'est-à-dire l'évaluation de la capacité des modèles à exploiter l'information importante lors de l'inférence. On présente un cadre d'évaluation de l'explicabilité permettant de comparer l'appréciation humaine de deux modèles à l'aide de tests statistiques. Pour se faire, on utilise des mesures d'extraction d'information telle le *mean average precision* (mAP) pour évaluer la capacité de cartes de saillance à extraire l'information pertinente dans les notes provenant d'un dossier de réclamation. Ce cadre est utilisé pour démontrer l'utilisation de raccourcis de classification de certains modèle et pour supporter l'utilisation de modèles plus explicables, pour lesquels l'utilisateur aura une plus grande confiance lors de son utilisation. / The present thesis analyzes an issue related to damage insurance claims using cutting-edge artificial intelligence techniques. Specifically, we attempt to perform binary classification using neural networks to identify claims resulting in losses among the 10% most expensive for an insurer. To accomplish this task, we utilize claim notes, which are longitudinal texts containing a series of textual documents following the temporal evolution of the claim. First, we propose and evaluate different sequence text classification models, including LongiBERT (Longitudinal BERT), which presents a hierarchical architecture leveraging a Transformer textual encoder pre-trained using several auxiliary tasks, including same-claim prediction developed for this thesis. This task trains the model to determine which elements suggest two text segments come from the same claim file. This enables the language model to better capture repeated elements in a longitudinal textual sequence. We also present different data-driven approaches and regularizations to improve classification performance during the claim. These approaches help mitigate the impacts of a trend discovered and studied in the associated doctoral work, namely the dependence on fallacious attributes associated with the length of claim files. One exciting approach is using the SMARTR (Survival and Monthly Aggregated Risk from Text Representations) classification model. In this innovative approach, we propose converting text contained in claim notes into risk factors to calculate the probability of eventually exceeding a certain monetary threshold. These factors can be analyzed to better understand the risks associated with expensive claims. Finally, the last chapter focuses on the explainability of the models, i.e., evaluating the models' ability to exploit important information during inference. We present an explainability evaluation framework to compare human appreciation of two models using statistical tests. To do this, we use information extraction measures such as mean average precision (mAP) to evaluate the ability of saliency maps to extract relevant information from notes from a claim file. This framework demonstrates the use of classification shortcuts for certain models and supports the use of more explainable models, for which the user will have greater confidence in their use.

Les neurones encodent l’information dans le nombre et la fréquence des potentiels d’action qu’ils déchargent. Les patrons de décharge de potentiels d’action enregistrés dans les animaux vivants varient fortement dans leur nombre et leur fréquence. Les variations dans la fréquence et le nombre de potentiel d’action déchargés affectent drastiquement la plasticité à court terme et le transfert de l’information vers la cellule postsynaptique. Comment les terminaux présynaptiques décodent la fréquence et le nombre de potentiel d’action par des dynamiques calciques spécifiques demeure inconnu. Afin d’explorer cette question, nous avons combiné l’imagerie calcique par microscopie deux photons à accès aléatoire avec l’électrophysiologie dans les tranches aiguës d’hippocampe. Nous avons procédé à l’analyse de l’ultrastructure des terminaux synaptique par immunohistochimie et microscopie électronique. Nous avons découvert que la propagation des potentiels d’action des cellules granulaires aux cellules principales du CA3 était dépendante du nombre de potentiel d’action dans une bouffée, mais était indépendante de la fréquence moyenne des potentiels d’action dans la bouffée. Le nombre de potentiel d’action dans une bouffée était encodé par le terminal présynaptique dans l’homogénéisation spatiale des microdomaines calciques. Cette globalisation des microdomaines calciques dans les terminaux présynaptiques supportait le recrutement de site de relâchements additionnels, suffisant pour augmenter grandement l’amplitude des courants postsynaptiques. De plus, les canaux calciques de type P/Q couplés faiblement aux senseurs calciques et localisés à une distance plus grande des zones actives étaient l’élément clé permettant l’homogénéisation des microdomaines calciques et le recrutement de sites de relâchement additionnels. Ainsi, les fibres moussues de l’hippocampe propagent les potentiels d’action vers les cellules principales du CA3 en fonction du nombre de potentiel d’action dans la bouffée, indépendamment de leur fréquence. Cette transmission est possible grâce à la dynamique calcique présynaptique hautement spécialisée qui optimise l’utilisation d’un grand nombre de sites de relâchement. / Neurons encode information in the number and frequency of action potentials they discharge. Action potentials typically occur in bursts of varying number and frequency, with variations in these two parameters dramatically affecting short-term plasticity and the transfer of information to the postsynaptic neuron. How presynaptic terminals decode the frequency and the number of action potentials through calcium dynamics to gate neurotransmitter remains unknown. To investigate this question, we combined random-access two-photon presynaptic calcium imaging in large mossy fiber terminals and electrophysiology in acute hippocampal slices. We further probed the ultrastructure of the mossy fiber terminals using immunohistochemistry and electron microscopy. We found that action potential propagation from hippocampal granule cells to postsynaptic CA3 pyramidal cells was dependent on the number of action potentials (AP) in the granule cell burst, but was independent of the AP burst average frequency. Interestingly, the number of action potentials in a burst was encoded in presynaptic terminals by the spatial homogenization of calcium microdomains. This globalization of calcium microdomains within single presynaptic terminals supported the recruitment of additional release sites, sufficient to increase the EPSC amplitude several fold. Additionally, loosely-coupled P/Q-type VGCCs from calcium sensors provided the functional basis for the homogenization of calcium microdomains and proved essential for the recruitment of additional release sites. Therefore, hippocampal mossy fiber terminals propagate action potentials to CA3 pyramidal cells as a function of the number of action potentials in the burst, but not the frequency. This counting logic is made possible through specialized spatiotemporal calcium dynamics which optimize the use of a large number of release sites.

Les ganglions de la base (GB) sont formés de structures sous-corticales essentielles à un comportement psychomoteur normal. Le dérèglement d’une seule de ces composantes provoque un comportement moteur inadapté qui peut être très handicapant. La maladie de Parkinson est la pathologie neurodégénérative la plus fréquente affectant les GB. Elle est principalement caractérisée par la dégénérescence progressive des neurones dopaminergiques (DA) de la substance noire pars compacta provoquant l’apparition de symptômes moteurs tels que la bradykinésie, la rigidité musculaire et le tremblement au repos. Cependant, le bouleversement majeur de l’innervation DA des GB conduit également à plusieurs autres changements neuroadaptatifs et compensatoires. Les travaux de recherche décrits dans cette thèse traitent de plusieurs de ces changements qui affectent la microcircuiterie des ganglions de la base et qui se produisent en marge de la perte massive des neurones DA. Tout d’abord, une étude portant sur l’innervation à sérotonine (5-HT) des ganglions de la base en condition normale et effectuée à partir de cerveaux post-mortem humains sera présentée. Cette étude immunohistochimique a permis de décrire la trajectoire qu’empruntent les faisceaux d’axones 5-HT en provenance des noyaux du raphé du tronc cérébral afin d’innerver les différentes composantes des GB. Ensuite, une description plus précise de l’arborisation axonale unitaire des neurones 5-HT provenant du noyau raphé dorsal chez le rat sera apportée. L’injection par microiontophorèse d’un traceur antérograde a permis de marquer et de reconstruire en trois dimensions l’arborisation axonale complète de plusieurs neurones, mettant ainsi en lumière l’hétérogénéité des projections 5-HT ascendantes. Les études seront ensuite présentées ont été effectuées à partir de modèles animaux de la maladie de Parkinson et mettent en valeur d’importants changements compensatoires. Ces travaux ont permis d’identifier de nouveaux phénomènes neuroadaptatifs concernant l’innervation DA et 5-HT du striatum et du globus pallidus (GP) suite à une lésion DA chez le singe cynomolgus (Macaca fascicularis). L’immunohistochimie combinée à une méthode quantitative stéréologique a conduit à mettre en évidence un bourgeonnement important des axones 5-HT dans le striatum ainsi que dans le GP. Une description précise en microscopie électronique de la structure morphologique fine suggère que les nouvelles varicosités axonales 5-HT retrouvées dans le striatum sont fonctionnelles et présentent davantage de contacts synaptiques, en lien avec un phénomène de bourgeonnement axonal. Contrairement à la dénervation DA massive du striatum, nos résultats indiquent une augmentation de près de dix fois le nombre d’axones DA dans le segment interne du GP. Finalement, des reconstructions du domaine somatodendritiques de neurones du striatum effectuées suite à l’injection intracellulaire de fluorophores ont mis en lumière un nouveau sous-type de neurones de projection du striatum. Ces injections effectuées chez un modèle murin de la maladie de Parkinson nous permettent de conclure que ce sous-type de neurones est affecté différemment par une dénervation DA. Dans l’ensemble, les travaux présentés dans cette thèse soulèvent l’importance de l’innervation DA et 5-HT dans le fonctionnement normal des GB, ainsi que les changements neuroadaptatifs qui surviennent dans la maladie de Parkinson. La description précise de ces changements morphologiques doit être prise en compte afin de mieux comprendre l’expression des symptômes moteurs et non-moteurs de la maladie de Parkinson et expliquer l’apparition des dyskinésies qui surviennent chez une vaste majorité des patients parkinsoniens suite à l’administration quotidienne de L-Dopa, principal traitement pharmacologique de la maladie. / The basal ganglia are a set of subcortical structures involved in psychomotor behaviour. Parkinson’s disease is the most common neurodegenerative disorder affecting the basal ganglia. The slow and progressive degeneration of dopamine (DA) neurons located in the substantia nigra pars compacta leads to disabling motor symptoms such as bradykinesia, resting tremor and rigidity. This work aims at describing the compensatory mechanisms affecting other neuronal systems and designed to compensate for the massive loss of the DA innervation of the basal ganglia. The thesis begins with a post-mortem human study of the main serotonin (5-HT) pathways arising from the raphe nuclei and innervating the different basal ganglia components in normal condition. The next chapter contains a morphological study providing the first detailed description of single axons arising from the dorsal raphe nucleus (DRN) in rats. In order to achieve our goal, under electrophysiological guidance, microiontophoretic tracer injections of an anterograde tracer were placed in the DRN to provide three-dimensional axonal reconstructions of single 5-HT neurons. Other studies presented were performed in animal models of Parkinson’s disease and brought to light new compensatory mechanisms involving the 5-HT and DA innervation of the basal ganglia. Two articles contain data on major neuroadaptative changes of DA and 5-HT innervation of the striatum and the globus pallidus (GP), following a DA lesion in cynomolgus monkeys (Macaca fascicularis). Immunohistochemistry combined to unbiased quantitative approaches indicate an important sprouting of 5-HT axons in the monkey striatum and GP. Interestingly, in contrast to the massive striatal DA denervation, we report a ten-time increase of the number of DA axons in the GP internal segment of parkinsonian monkeys. Electron microscopy study suggests that the newly-formed 5-HT axon varicosities observed in the striatum establish more synapses after DA lesion, in line with the sprouting of 5-HT axons. The last chapter contains a meticulous morphological study of a peculiar population of medium spiny neurons endowed with a dendritic arborization that is less affected by DA lesion in mice. In summary, studies presented in this doctoral thesis shed a new light on some of the compensatory mechanisms observed in different basal ganglia components and designed to cope for the massive loss of DA neurons that characterize Parkinson’s disease. The compensatory mechanisms outlined in this work should be taken into account to better understand the expression of motor and non-motor symptoms as well as the expression of dyskinesia induced by long-term pharmacological treatment with L-Dopa.

Dans les Stations de Récupération des Ressources de l'Eau (StaRRE), il est courant d'utiliser des capteurs en ligne à haute fréquence, permettant aux opérateurs de surveiller les processus de traitement en temps réel et de prendre des décisions proactives pour corriger les paramètres de qualité de l'eau si nécessaire. Ces capteurs peuvent également être employés pour surveiller la qualité de l'eau des rivières, fournissant des données précieuses pour une gestion efficace des cours d'eau. Cependant, les études et outils actuels pour l'évaluation de la qualité des données sont généralement basés sur des modèles computationnels qui nécessitent un réglage manuel des paramètres des outils. L'objectif de ce projet de maîtrise est de développer de nouveaux outils en appliquant les principes fondamentaux de l'apprentissage automatique, permettant ainsi à un modèle computationnel de s'auto-ajuster, à partir des données suffisantes, tout en minimisant l'intervention d'un expert. Un nouveau modèle basé sur les Réseaux Neuronaux Artificiels à Mémoire à Court et Long Terme (LSTM en anglais) a été développé, capable de détecter et de remplacer les valeurs aberrantes ou les pannes mineures de capteurs, en traitant l'ensemble des jeux de données brutes tout au long du processus de suivi. Cela est suivi par une étape de calcul des caractéristiques des données, qui quantifie la fiabilité des données selon trois paramètres statistiques calculés en comparant les jeux de données brutes et les prédictions LSTM. Les modèles ont été entraînés en utilisant des données collectées à partir de la station de traitement pilote installée à l'Université Laval et des données de suivi d'une StaRRE et des rivières acquises en partenariat avec le Service public de l'assainissement francilien (SIAAP) en France, où le produit logiciel final sera déployé. Les résultats présentés ont démontré de bonnes performances en ce qui concerne l'élimination des valeurs aberrantes et la quantification de la fiabilité pour la majorité des jeux de données testés. Un guide d'utilisation et des observations générales issues de toutes les études de cas ont été présentés dans les discussions écrites. / In wastewater resource recovery facilities (WRRF), it is common to utilize high-frequency sensors, enabling plant operators to monitor treatment processes in real-time and take proactive decisions to correct water quality as needed, if necessary. These sensors can also be employed to monitor river water quality, providing valuable data for effective river management. However, current studies and tools for data quality assessment are typically based on computational models that require manual tuning of their parameters. The objective of this master's project is to develop new tools by applying machine learning fundamentals that enable a computational model to tune itself, given sufficient data, while minimizing the need for expert intervention. A new model based on Long Short-Term Memory (LSTM) Artificial Neural Networks was developed, capable of detecting and replacing data outliers or small sensor failures, treating entire raw datasets throughout the monitoring process. This is followed by a data feature calculation step, which quantifies data reliability according to three statistical parameters calculated from the comparison of raw datasets and LSTM predictions. The models were trained using data collected from the pilot WRRF installed at Université Laval, and WRRF and river monitoring data acquired in partnership with the *Service public de l'assainissement francilien* (SIAAP) in France, where the final software product is to be deployed. The presented results demonstrated good performance regarding outlier removal and reliability quantification across the majority of datasets tested. A usage guideline and general observations from all case studies are presented in the written discussions.

Dans le but d'améliorer la compréhension du rôle de l'autostructuration des réseaux de neurones impliqués dans le système visuel du cerveau des mammifères, des extensions temporelles du modèles de Linsker (1986a-c, 1988) sont proposées au lecteur. Le modèle de Linsker est basé sur une corrélation de type Hebb et il permet l'émergence progressive de fonctions analogues à celles retrouvées dans le cortex visuel des mammifères au stade de l'ontogenèse. À titre d'exemple, il est observé l'émergence de cellules centre-poutour et de cellules sensibles aux orientations ainsi que la formation de colonnes alternées de dominance oculaire. Pour bien comprendre le modèle de Linsker, une première partie introduit les notions de physiologie nécessaires à sa compréhension. La seconde partie fait le constat de l'état de la recherche en matière d'autostructuration biologique du point de vue des outils mathématiques à notre disposition qui permettent l'analyse du modèle. Dans cette section, une revue de la littérature et quelques travaux complémentaires d'intérêt (MacKay et Miller, 1990a-b; Miller, 1994; Feng, 1993-1998) font aussi l'objet d'une discussion. Enfin, la troisième partie de cette dissertation a comme contribution scientifique originale de départager l'apport du retard dans une règle d'apprentissage de type Hebb par opposition au domaine spatial de Linsker. Par le biais de l'analyse mathématique et de simulations informatiques, deux cas de retard dans l'apprentissage sont étudiés : celui du retard dans la propagation des signaux et celui du retard dans la dynamique des poids synaptiques. Chacun de ces deux cas amène des conclusions différentes, à savoir : le premier cas donne lieu à des valeurs propres temporelles analogue au chapeau mexicain; le second cas permet d'observer des oscillations analogues à celles enregistrées sur la rétine des mammifères au stade de l'ontogenèse. Ces constats aideront à orienter les futures expérimentations en éclairant sur les mécanismes intrinsèques qui gouvernent ces processus biologiques.

Le pilotage en temps réel des systèmes de production nécessite de prendre des décisions complexes sur l'affectation des ressources ou le choix des tâches à réaliser. Compte tenu de l'importance de la pertinence des décisions pour la performance d'un atelier, le pilotage fait l'objet de travaux de recherche dont l'objectif est d'aider les preneurs de décision. En particulier, on ne sait pas évaluer les conséquences sur la performance d'une décision en temps réel car les bonnes performances résultent d'une séquence de décisions et non d'une seule. De ce fait, il est difficile d'établir quelle est la meilleure décision à prendre à un instant donné. Plusieurs auteurs ont utilisé la simulation pour apprendre des bonnes pratiques à l'aide d'approches d'apprentissage automatique, mais se sont heurtés à la difficulté d'obtenir des exemples ou des observations sur des décisions en temps réel, où la prise en compte des changements d'états est indispensable pour choisir des stratégies de production. Nous avons réussi à aborder ce problème en proposant une approche d'apprentissage à l'aide de réseaux de neurones, qui ne nécessite pas d'exemples, d'observations ni de connaissances d'experts préalables. Ce type d'apprentissage s'effectue par optimisation via simulation des paramètres du réseau de neurones par rapport à un objectif de performance du système. Il vise à extraire de façon autonome des connaissances sur la meilleure façon de décider d'un modèle de simulation. Nous montrons la faisablité et l'apport de notre approche sur deux exemples inspirés de la littérature

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Notre but dans cette thèse est de construire un système qui réponde à une question en langue naturelle (NL) en représentant sa sémantique comme une forme logique (LF) et ensuite en calculant une réponse en exécutant cette LF sur une base de connaissances. La partie centrale d'un tel système est l'analyseur sémantique qui transforme les questions en formes logiques. Notre objectif est de construire des analyseurs sémantiques performants en apprenant à partir de paires (NL, LF). Nous proposons de combiner des réseaux neuronaux récurrents (RNN) avec des connaissances préalables symboliques exprimées à travers des grammaires hors-contexte (CFGs) et des automates. En intégrant des CFGs contrôlant la validité des LFs dans les processus d'apprentissage et d'inférence des RNNs, nous garantissons que les formes logiques générées sont bien formées; en intégrant, par le biais d'automates pondérés, des connaissances préalables sur la présence de certaines entités dans la LF, nous améliorons encore la performance de nos modèles. Expérimentalement, nous montrons que notre approche permet d'obtenir de meilleures performances que les analyseurs sémantiques qui n'utilisent pas de réseaux neuronaux, ainsi que les analyseurs à base de RNNs qui ne sont pas informés par de telles connaissances préalables / Our goal in this thesis is to build a system that answers a natural language question (NL) by representing its semantics as a logical form (LF) and then computing the answer by executing the LF over a knowledge base. The core part of such a system is the semantic parser that maps questions to logical forms. Our focus is how to build high-performance semantic parsers by learning from (NL, LF) pairs. We propose to combine recurrent neural networks (RNNs) with symbolic prior knowledge expressed through context-free grammars (CFGs) and automata. By integrating CFGs over LFs into the RNN training and inference processes, we guarantee that the generated logical forms are well-formed; by integrating, through weighted automata, prior knowledge over the presence of certain entities in the LF, we further enhance the performance of our models. Experimentally, we show that our approach achieves better performance than previous semantic parsers not using neural networks as well as RNNs not informed by such prior knowledge