M2- Lien entre beauté et fluence neuronale modélisée grâce à des réseaux de neurones profonds

Type de poste
Niveau d'étude minimal
Dates
Durée du poste
Contrat renouvelable
Contrat non renouvelable
Date de prise de fonction
Date de fin de validité de l'annonce
Localisation
Nom de la structure d'accueil
Adresse

1919 Route de Mende
34090 Montpellier 5
France

Contacts
Julien RENOULT
Email du/des contacts
julien.renoult@cefe.cnrs.fr
Description

Lien entre beauté et fluence neuronale modélisée dans un réseau neuronal convolutif profond

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 beauté5. 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 nait d’une interaction particulière entre l’objet et l’observateur6. 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 (certaines propriétés comme la symétrie ou la fractalité ont une valeur esthétique reconnue par la plupart des sujets humains et même par les autres espèces6) que de sa dimension subjective (n’importe quel objet peut, selon le contexte et l’observateur, fonctionner esthétiquement ou non). Parmi ces théories, la théorie esthétique de la fluence s’est rapidement imposée durant la dernière décennie, auprès des biologistes7,8, mais aussi des artistes et des philosophes9. 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 généralisant10. 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 cérébrales11,12.

L’objectif de ce stage sera de modéliser la fluence du traitement cérébral de l’information avec l’aide de ConvNets et d’étudier les corrélations entre la fluence prédite par le modèle et le jugement de beauté.

Méthodes & données disponibles

L’étudiant.e explorera différentes mesures de fluence dans les ConvNets, par exemple :
- La sparsité moyenne de l’activation neuronale dans le réseau (hypothèse : un traitement sparse, donc économique et efficace, est corrélé à la beauté (voir 13,14).
- L’évolution de la sparsité à travers les couches du réseau (hypothèse : un accroissement relatif fort de la sparsité est corrélé à la beauté).
- L’écart à la sparsité moyenne de la population de signaux (hypothèse : telle que décrite par l’effet « Ahah ! » en psychologie de l’esthétique, une forte déviation de la sparsité par rapport à la moyenne est corrélée à la beauté).
- L’information spécifique moyenne dans un réseau (issue de la théorie de l’information appliquée aux réseaux neuronaux, l’information spécifique mesure la réduction de l’incertitude sur l’information après encodage par une couche neuronale15,16. Hypothèse : l’information spécifique moyenne est corrélée à la beauté).
- L’évolution de l’information spécifique à travers les couches du réseau, ou encore l’écart à l’information spécifique moyenne de la population de signaux, etc…

L’étudiant.e testera également l’influence de l’architecture du ConvNet et de son entrainement sur les performances des mesures de fluences décrite ci-dessus.

Données disponibles. Pour ce travail, nous exploiterons différents jeux de données associant des images et des scores de beauté obtenus grâce à des tests psychologiques. Nous avons nos propres jeux de données sur la beauté de visages humains (voir13) et de paysages naturels (collaboration avec le programme BIODIFUL). Nous utiliserons également des jeux de données en libre accès, sur la beauté de visages (par exemple, Chicago Face Database) ou de tableaux de peinture (MART ; Jena Asthetics databases).

Compétences & motivation requises
Bon niveau de programmation en Python. Intérêt pour la question biologique.

Lieu du stage : Centre d’Ecologie Fonctionnelle et Evolutive (CEFE), Montpellier.
Durée du stage : ajustable selon des exigences du parcours.
Gratification : tarif forfaitaire universitaire (environ 590 €/mois)

Références (en gras, publications de l’équipe)
1. Renoult, J. P. et al. Modelling the Perception of Colour Patterns in Vertebrates with HMAX. preprint arXive: doi: https://doi.org/10.1101/552307 (2019).
2. 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).
3. Ferreira, A. C. et al. Deep learning-based methods for individual recognition in small birds. Methods in Ecology and Evolution, in press. doi.org/10.1101/862557 (2020).
4. Charpentier, M. J. E. […] Renoult J.P. Same father, same face: deep-learning reveals natural selection for paternally-derived signalling of kinship in a wild primate. Science Advances 6, eaba3274 (2020).
5. Rigau, J., Feixas, M. & Sbert, M. Informational aesthetics measures. IEEE Computer Graphics and Applications 28, (2008).
6. 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).
7. 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).
8. 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).
9. Schaeffer, J.-M. L’expérience esthétique. (Editions Gallimard, 2015).
10. 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).
11. 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).
12. Güçlü, U. & van Gerven, M. A. J. Deep neural networks reveal a gradient in the complexity of neural representations across the ventral stream. J. Neurosci. 35, 10005–10014 (2015).
13. 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).
14. Holzleitner, I. J. et al. Comparing theory-driven and data-driven attractiveness models using images of real women’s faces. Journal of Experimental Psychology: Human Perception and Performance 45, 1589–1585 (2019).
15. Butts, D. A. & Goldman, M. S. Tuning curves, neuronal variability, and sensory coding. PLoS Biol. 4, e92 (2006).
16. Saxe, A. M. et al. On the information bottleneck theory of deep learning. (2018).

Equipe adhérente personne morale SFBI
Equipe Non adhérente