Mots-Clés

intelligence artificielle psychologie expérimentale modélisation de la beauté théorie de l’information autoencodeurs

Description

IA et modélisation de la beauté: apport des autoencodeurs pour caractériser l’efficicacité du traitement cérébral de l’information

Personne proposant le stage : Julien RENOULT , Chargé de Recherche CNRS,

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.

Co-encadrant : Jérôme Pasquet, Maître de Conférence Université Paul Valéry, Montpellier, informatique, intelligence artificielle générative

Adresse Professionnelle : UMR TETIS, 500 rue Jean François Breton, 34000 MONTPELLIER

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

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 dessiècles, 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.

Récemment, nous avons proposé que le concept de fluence pouvait être formalisé par la quantifiquation de l’efficience de codage neuronale (Renoult et Mendelson, 2019). Par ailleurs, les réseaux neuronaux convolutifs profonds (DNN) utilisés en intelligence artificielle offrent aujourd’hui de puissants outils pour modéliser le traitement biologique de l’information visuelle (Lindsay et al. 2020). Des travaux en cours dans notre équipe montrent qu’il est possible de prédire la beauté de visage humain à partir de diverses métriques caractérisant l’efficience du code neuronal (sparsité, typicality statistique) dans différentes couches de DNN pré-entrainés à reconnaitre des objets divers (e.g. VGG entrainé sur ImageNet; apprentissage supervisé). En parallèle, des travaux de neurosciences computationelles ont montré que des DNN entrainés de manière non-supervisée produisait des modèles de perception visuelle et de traitement de l’information biologiquement plus réalistes que des DNN entrainés de manière supervisée (eg, Hepburn et al. 2021).

L’objectif de ce stage est d’étudier l’apport des autoencodeurs (AE), un type de DNN non supervisé, pour prédire la beauté de visages humains. Plus précisément, l’étudiant devra:

1) Entrainer un auto-encodeur à reconstruire des visages humains (tester différentes architectures: simple AE, régularisation L1, autoencodeurs variationels).

2) Développer différentes métriques d’efficience du traitement de l’information de nouvelles images encodées par l’AE (sparsité, typicalité statistique, temps d’encodage, information de Fisher, qualité de reconstruction)

3) Etudier la capacité de ces métriques à prédire des scores de beauté de visages humains.

4) Etudier l’impact du jeu de données d’entrainement (importance ou non d’entraîner des AE différents pour des genres, groupes ethniques, catégories d’âge différents)

Profil

Etudiant en Master (M2) recherche ou césure d’école d’ingénieur, dans les

domaines de l’informatique, mathématiques appliqués, bioinformatique avec très bon niveau en informatique. Bon niveau en Python requis. Expérience en IA souhaitée.

Administratif

Le stage aura une durée de 6 mois au cours de l’année 2023 (durée ajustable en fonction des besoins de la formation). La gratification de stage suivra le 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).

Hepburn, A., Laparra, V., Santos-Rodriguez, R., Ballé, J., & Malo, J. (2021). On the relation between statistical learning and perceptual distances. arXiv preprint arXiv:2106.04427.

* 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.

Lindsay, G. W. (2021). Convolutional neural networks as a model of the visual system: Past, present, and future. Journal of cognitive neuroscience, 33(10), 2017-2031

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, Ecological Informatics.

*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)