Mots-Clés

intelligence artificielle psychologie expérimentale modélisation de la beauté théorie de l’information sparsité entropie.

Description

Apport des CNNs pour modéliser le lien entre beauté et fluence neuronale (IA, sciences cognitives – CNRS Montpellier)

Personne proposant le stage : Julien RENOULT , Chargé de Recherche CNRS, Biologiste de l’évolution, sciences cognitives, IA appliquée à la biologie

Adresse Professionnelle : CNRS-CEFE, 1919 route de Mende 34293 MONTPELLIER

Numéro de téléphone : 04.67.61.32.10

Adresse électronique : julien.renoult@cefe.cnrs.fr

Entreprise/Unité d’appartenance: CNRS - Centre d’Ecologie Fonctionnelle et Evolutive CEFE-UMR5175.

Mots clés: intelligence artificielle, psychologie expérimentale, modélisation de la beauté, théorie de l’information, sparsité, entropie.

Description du sujet :

La modélisation de la beauté représente un défi intemporel pour la communauté scientifique. Du nombre d’or à la formule de Birkhoff, nombreux sont les modèles mathématiques qui, au fil des siècles, ont été proposés pour prédire la beauté. Ces différents modèles n’ont toutefois jamais réellement séduit ni les artistes ni les philosophes, car ils ne permettent pas de rendre compte de la diversité des expériences esthétiques, pouvant être produites aussi bien par un monochrome de Klein que par une toile baroque de Vermeer, par un paysage réel ou par un visage. Contrairement aux approches mathématiques, les théories artistiques et philosophiques modernes de l’esthétique sont interactionnistes : l’esthétique n’est une propriété ni d’un objet perçu, ni de son observateur ; elle naît d’une interaction particulière entre l’objet et l’observateur. Aujourd’hui, l’enjeu des approches scientifiques de l’esthétique est de découvrir et de modéliser la spécificité des interactions donnant lieu à une expérience esthétique.

Nouvellement inscrites dans cette perspective interactionniste, les sciences cognitives ont récemment proposé différentes théories biologiques permettant de rendre compte aussi bien de la dimension universelle de l’esthétique que de sa dimension subjective. Parmi ces théories, la théorie esthétique de la fluence s’est rapidement imposée durant la dernière décennie, auprès des biologistes, mais aussi des artistes et des philosophes. Selon cette théorie, les stimuli beaux sont ceux dont l’information véhiculée est traitée efficacement dans le cerveau. Le succès de la théorie vient dans sa capacité inégalée à expliquer à la fois la quasi-totalité des résultats de la psychologie expérimentale, mais aussi des phénomènes complexes tels que le suspense narratif, qui induit un plaisir esthétique par une fluidification soudaine du flux d’information. La théorie de la fluence séduit donc par sa simplicité et son pouvoir généralisant. Toutefois, l’étude scientifique de la fluence reste aujourd’hui limitée par l’absence de définition fonctionnelle : en psychologie, la fluence est uniquement définie par l’expérience de facilité subjectivement ressentie par un sujet. Une caractérisation quantitative et répétable de la fluence est nécessaire pour faciliter son étude scientifique, chez l’homme et les autres animaux.

ConvNets.– Par leurs performances aujourd’hui égales, voir supérieures pour certaines tâches, à celles des humains, les réseaux neuronaux convolutifs profonds (ConvNets) représentent une révolution de l’intelligence artificielle. Mais récemment, les ConvNets se sont également révélés être de puissants modèles de traitement de l’information par les cerveaux biologiques, surpassant la capacité des précédents modèles à prédire la réponse des neurones dans différentes aires cérébrales.

Des travaux en cours dans notre équipe montrent une corrélation forte entre la sparsité du code neuronal – une mesure de la fluence – des différentes couches d’un réseau et l’attractivité de stimuli visuels (visages, tableaux de peinture) évaluée empiriquement. Ces résultats ont été obtenus en utilisant des ConvNets pré-entrainés sur des taches classiques de reconnaissance d’objet (e.g. VGG entrainé sur ImageNet).

L’objectif de ce stage sera double :

- étudier dans quelle mesure pré-entraîner un ConvNet avec une fonction de coût maximisant la sparsité du code neuronal durant l’apprentissage augmente la corrélation entre la sparsité du code neuronal d’un stimulus test et son attractivité visuelle.

- explorer de nouvelles mesures (différentes de la sparsité) de fluence neuronale dans un ConvNet (e.g., entropie).

L’étudiant.e devra avoir un bon niveau de programmation en Python, des connaissances de base en IA et intérêt pour la question biologique. Elle/il sera immergée dans l’équipe E3CO qui compte plusieurs étudiant.e.s (Master, Doctorant.e.s) en IA appliquée à la biologie. Il/elle aura accès à un calculateur équipé de cartes GPU.

Lieu du stage : équipe E3CO, Centre d’Ecologie Fonctionnelle et Evolutive (CEFE), Montpellier.

Date et durée du stage : ajustable selon des exigences du parcours.

Gratification : tarif forfaitaire universitaire (environ 590 €/mois)

Quelques références liées au sujet (* publications de l’équipe): Butts, D. A. & Goldman, M. S. Tuning curves, neuronal variability, and sensory coding. PLoS Biol. 4, e92 (2006). *Hulse, S. V., Renoult, J. P., & Mendelson, T. C. (2020). Sexual signaling pattern correlates with habitat pattern in visually ornamented fishes. Nature communications, 11(1), 1-8. Kriegeskorte, N. Deep neural networks: a new framework for modeling biological vision and brain information processing. Annual review of vision science 1, 417–446 (2015). Reber, R., Schwarz, N. & Winkielman, P. Processing fluency and aesthetic pleasure: is beauty in the perceiver’s processing experience? Personality and Social Psychology Review 8, 364–382 (2004). *Renoult, J. P. The Evolution of Beauty: A Review of Models. in Aesthetics and Neurosciences: Scientific and Artistic Perspectives (eds. Kapoula, Z. & Vernet, M.) DOI: 10.1007/978-3-319-46233-2 (Springer International Publishing, 2016). *Renoult, J. P., Bovet, J. & Raymond, M. Beauty is in the efficient coding of the perceiver. Royal Society Open Science DOI: 10.1098/rsos.160027, (2016). *Renoult, J. P. & Mendelson, T. C. Processing bias: extending sensory drive to include efficacy and efficiency in information processing. Proceedings of the Royal Society B: Biological Sciences 286, 20190165 (2019). Rigau, J., Feixas, M. & Sbert, M. Informational aesthetics measures. IEEE Computer Graphics and Applications 28, (2008). Saxe, A. M. et al. On the information bottleneck theory of deep learning. (2018). Winkielman, P., Schwarz, N., Fazendeiro, T. & Reber, R. The hedonic marking of processing fluency: Implications for evaluative judgment. in The psychology of evaluation: Affective processes in cognition and emotion (eds. Musch, J. & Klauer, K. C.) 189–217 (Psychology Press, 2003).

Quelques autres travaux en IA de l’équipe : *Hulse, S, Renoult, J. P., Mendelson, T. M. Using deep neural networks to model similarity between visual patterns: application to fish sexual signals, in press. *de Solan, T., Renoult, J. P., Geniez, P., David, P. & Crochet, P. A. Looking for mimicry in a snake assemblage using deep learning. The American Naturalist 196, 000–000 (2020). *Ferreira, A. C. et al. Deep learning-based methods for individual recognition in small birds. Methods in Ecology and Evolution, 11, 1072-1085 (2020). *Charpentier, M. J. E. […] Renoult J.P. Same father, same face: deep-learning reveals natural selection for paternally-derived signaling of kinship in a wild primate. Science Advances 6, eaba3274 (2020).