Author: "Mnemonic Synergy (Mnemosyne)" - Searchworks@Jio Institute Digital Library Search Results

Your search keyword '"Mnemonic Synergy (Mnemosyne)"' showing total 371 results

Start Over Author "Mnemonic Synergy (Mnemosyne)"

371 results on '"Mnemonic Synergy (Mnemosyne)"'

1. Re-run, Repeat, Reproduce, Reuse, Replicate: Transforming Code into Scientific Contributions

Author: Benureau, Fabien, Rougier, Nicolas, Mnemonic Synergy ( Mnemosyne ), Laboratoire Bordelais de Recherche en Informatique ( LaBRI ), Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2-Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut des Maladies Neurodégénératives [Bordeaux] ( IMN ), Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ) -Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest
Subjects: FOS: Computer and information sciences, replication, ACM: D.: Software/D.2: SOFTWARE ENGINEERING/D.2.7: Distribution, Maintenance, and Enhancement/D.2.7.4: Portability, ACM: D.: Software/D.2: SOFTWARE ENGINEERING/D.2.13: Reusable Software, openscience, [INFO.INFO-GL]Computer Science [cs]/General Literature [cs.GL], [INFO.INFO-CE]Computer Science [cs]/Computational Engineering, Finance, and Science [cs.CE], Computer Science - General Literature, ACM: D.: Software/D.2: SOFTWARE ENGINEERING/D.2.7: Distribution, Maintenance, and Enhancement/D.2.7.1: Documentation, General Literature (cs.GL), ACM : D.: Software/D.2: SOFTWARE ENGINEERING/D.2.7: Distribution, Maintenance, and Enhancement/D.2.7.1: Documentation, [ INFO.INFO-CY ] Computer Science [cs]/Computers and Society [cs.CY], Computer Science - Computers and Society, ACM : D.: Software/D.2: SOFTWARE ENGINEERING/D.2.5: Testing and Debugging/D.2.5.8: Testing tools (e.g., data generators, coverage testing), [INFO.INFO-CY]Computer Science [cs]/Computers and Society [cs.CY], ACM : D.: Software/D.2: SOFTWARE ENGINEERING/D.2.7: Distribution, Maintenance, and Enhancement/D.2.7.6: Version control, Computers and Society (cs.CY), replicability, [ INFO.INFO-GL ] Computer Science [cs]/General Literature [cs.GL], ACM: D.: Software/D.2: SOFTWARE ENGINEERING/D.2.5: Testing and Debugging/D.2.5.8: Testing tools (e.g., data generators, coverage testing), [ INFO.INFO-CE ] Computer Science [cs]/Computational Engineering, Finance, and Science [cs.CE], ACM : D.: Software/D.2: SOFTWARE ENGINEERING/D.2.13: Reusable Software, reproducibility, ACM : D.: Software/D.2: SOFTWARE ENGINEERING/D.2.7: Distribution, Maintenance, and Enhancement/D.2.7.4: Portability, ACM: D.: Software/D.2: SOFTWARE ENGINEERING/D.2.7: Distribution, Maintenance, and Enhancement/D.2.7.6: Version control
Abstract: Scientific code is not production software. Scientific code participates in the evaluation of a scientific hypothesis. This imposes specific constraints on the code that are often overlooked in practice. We articulate, with a small example, five characteristics that a scientific code in computational science should possess: re-runnable, repeatable, reproducible, reusable and replicable., Frontiers in Neuroinformatics, Frontiers, In press
Published: 2018
Full Text: View/download PDF

2. Sustainable computational science: the ReScience initiative

Author: Rougier, Nicolas P, Hinsen, Konrad, Alexandre, Frederic, Arildsen, Thomas, Barba, Lorena A, Benureau, Fabien C.Y, Brown, C. Titus, deBuy, Pierre, Caglayan, Ozan, Davison, Andrew P., Delsuc, Marc-Andre, Detorakis, Georgios, Diem, Alexandra, Drix, Damien, Enel, Pierre, Girard, Benoit, Guest, Olivia, Hall, Matt G, Henriques, Rafael N, Hinaut, Xavier, Jaron, Kamil S, Khamassi, Mehdi, Klein, Almar, Manninen, Tiina, Marchesi, Pietro, McGlinn, Daniel, Metzner, Christoph, Petchey, Owen, Plesser, Hans Ekkehard, Poisot, Timothee, Ram, Karthik, Ram, Yoav, Roesch, Etienne, Rossant, Cyrille, Rostami, Vahid, Shifman, Aaron, Stachelek, Joseph, Stimberg, Marcel, Stollmeier, Frank, Vaggi, Federico, Viejo, Guillaume, Vitay, Julien, Vostinar, Anya E, Yurchak, Roman, Zito, Tiziano, Mnemonic Synergy ( Mnemosyne ), Laboratoire Bordelais de Recherche en Informatique ( LaBRI ), Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2-Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut des Maladies Neurodégénératives [Bordeaux] ( IMN ), Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ) -Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ), Centre de biophysique moléculaire ( CBM ), Université d'Orléans ( UO ) -Institut National de la Santé et de la Recherche Médicale ( INSERM ) -Centre National de la Recherche Scientifique ( CNRS ), Department of Electronic Systems - Aalborg University, Aalborg University [Denmark] ( AAU ), Washington State University ( WSU ), CIM - Communication, Information, Médias - EA 1484 ( CIM ), Université Sorbonne Nouvelle - Paris 3, Université Libre de Bruxelles [Bruxelles] ( ULB ), Laboratoire d'Informatique de l'Université du Mans ( LIUM ), Le Mans Université ( UM ), Ecole des Neurosciences de Paris Île de France ( ENP ), Ecole des Neurosciences de Paris, Centre de Biochimie Structurale [Montpellier] ( CBS ), Institut National de la Santé et de la Recherche Médicale ( INSERM ) -Université de Montpellier ( UM ) -Centre National de la Recherche Scientifique ( CNRS ), Laboratoire des signaux et systèmes ( L2S ), Université Paris-Sud - Paris 11 ( UP11 ) -CentraleSupélec-Centre National de la Recherche Scientifique ( CNRS ), University of Southampton [Southampton], Humboldt Universität zu Berlin, Institut cellule souche et cerveau / Stem Cell and Brain Research Institute ( SBRI ), Université Claude Bernard Lyon 1 ( UCBL ), Université de Lyon-Université de Lyon-Institut National de la Santé et de la Recherche Médicale ( INSERM ), Laboratoire de Physiologie de la Perception et de l'Action ( LPPA ), Collège de France ( CdF ) -Centre National de la Recherche Scientifique ( CNRS ), Institut des Systèmes Intelligents et de Robotique ( ISIR ), Université Pierre et Marie Curie - Paris 6 ( UPMC ) -Centre National de la Recherche Scientifique ( CNRS ), University of Oxford [Oxford], University College of London [London] ( UCL ), Instituto de Medicina Molecular, Faculdade de Medicina da Universidade de Lisboa, Knowledge Technology group [Hamburg] ( KT ), Department of Informatics [Hamburg], Universität Hamburg ( UHH ) -Universität Hamburg ( UHH ), Université de Lausanne ( UNIL ), National Coalition of Independent Scholar ( NCIS ), Finnish Meteorological Institute ( FMI ), Vrije Universiteit Amsterdam [Amsterdam] ( VU ), Department of Biology [Charleston], College of Charleston, Universität Zürich [Zürich] ( UZH ), University of Zürich [Zürich] ( UZH ), Institute of Neuroscience and Medicine [Jülich] ( INM-1 ), Université de Montréal, University of California [Berkeley], Department of Biological Sciences [Stanford], Stanford University [Stanford], Department of Psychology, University of Geneva [Switzerland], Swiss Center for Affective Sciences, University of Ottawa [Ottawa], Michigan State University [East Lansing], Institut de la Vision, Université Pierre et Marie Curie - Paris 6 ( UPMC ) -Institut National de la Santé et de la Recherche Médicale ( INSERM ) -Centre National de la Recherche Scientifique ( CNRS ), Institut d'études de la cognition ( IEC ), Département d'Etudes Cognitives - ENS Paris ( DEC ), École normale supérieure - Paris ( ENS Paris ) -École normale supérieure - Paris ( ENS Paris ), Max Planck Institute of Experimental Medicine [Göttingen] ( MPI ), Statistical Machine Learning and Parsimony ( SIERRA ), Département d'informatique de l'École normale supérieure ( DI-ENS ), École normale supérieure - Paris ( ENS Paris ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Centre National de la Recherche Scientifique ( CNRS ) -École normale supérieure - Paris ( ENS Paris ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Centre National de la Recherche Scientifique ( CNRS ) -Centre National de la Recherche Scientifique ( CNRS ) -Inria de Paris, Institut National de Recherche en Informatique et en Automatique ( Inria ), Chemnitz University of Technology, Grinnell College, Laboratoire pour l'utilisation des lasers intenses ( LULI ), Université Pierre et Marie Curie - Paris 6 ( UPMC ) -Commissariat à l'énergie atomique et aux énergies alternatives ( CEA ) -École polytechnique ( X ) -Université Paris-Saclay-Centre National de la Recherche Scientifique ( CNRS ), Eberhard Karls Universität Tübingen, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Centre de biophysique moléculaire (CBM), Université d'Orléans (UO)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Institut de Chimie du CNRS (INC)-Centre National de la Recherche Scientifique (CNRS), Aalborg University [Denmark] (AAU), Washington State University (WSU), University of California [Davis] (UC Davis), University of California (UC), Université libre de Bruxelles (ULB), Laboratoire d'Informatique de l'Université du Mans (LIUM), Le Mans Université (UM), Ecole des Neurosciences de Paris Île de France (ENP), Centre de Biochimie Structurale [Montpellier] (CBS), Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS), Laboratoire des signaux et systèmes (L2S), Université Paris-Sud - Paris 11 (UP11)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS), University of Southampton, Humboldt University Of Berlin, Institut cellule souche et cerveau (SBRI), Institut National de la Recherche Agronomique (INRA)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Institut National de la Santé et de la Recherche Médicale (INSERM), Laboratoire de Physiologie de la Perception et de l'Action (LPPA), Collège de France (CdF (institution))-Centre National de la Recherche Scientifique (CNRS), Institut des Systèmes Intelligents et de Robotique (ISIR), Université Pierre et Marie Curie - Paris 6 (UPMC)-Centre National de la Recherche Scientifique (CNRS), AMAC, Université Pierre et Marie Curie - Paris 6 (UPMC)-Centre National de la Recherche Scientifique (CNRS)-Université Pierre et Marie Curie - Paris 6 (UPMC)-Centre National de la Recherche Scientifique (CNRS), University of Oxford, University College of London [London] (UCL), Instituto de Medicina Molecular (iMM), Faculdade de Medicina [Lisboa], Universidade de Lisboa = University of Lisbon (ULISBOA)-Universidade de Lisboa = University of Lisbon (ULISBOA), Knowledge Technology group [Hamburg] (KT), University of Hamburg-University of Hamburg, Université de Lausanne = University of Lausanne (UNIL), Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS), National Coalition of Independent Scholar (NCIS), Finnish Meteorological Institute (FMI), Vrije Universiteit Amsterdam [Amsterdam] (VU), Universität Zürich [Zürich] = University of Zurich (UZH), Institute of Neuroscience and Medicine [Jülich] (INM-1), Université de Montréal (UdeM), Lawrence Berkeley National Laboratory [Berkeley] (LBNL), Department of Biology [Stanford], Stanford University, Université de Genève = University of Geneva (UNIGE), Swiss Center for Affective Sciences (CISA), Michigan State University System, Université Pierre et Marie Curie - Paris 6 (UPMC)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), Labex Institut d'étude de la cognition (IEC), Département d'Etudes Cognitives - ENS Paris (DEC), École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL), Max Planck Institute of Experimental Medicine [Göttingen] (MPI), Max-Planck-Gesellschaft, Statistical Machine Learning and Parsimony (SIERRA), Département d'informatique - ENS Paris (DI-ENS), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS)-Inria de Paris, Institut National de Recherche en Informatique et en Automatique (Inria), Chemnitz University of Technology / Technische Universität Chemnitz, Laboratoire pour l'utilisation des lasers intenses (LULI), Université Pierre et Marie Curie - Paris 6 (UPMC)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-École polytechnique (X)-Centre National de la Recherche Scientifique (CNRS), Eberhard Karls Universität Tübingen = Eberhard Karls University of Tuebingen, Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Inria Bordeaux - Sud-Ouest, Université d'Orléans (UO)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)-Institut de Chimie du CNRS (INC), University of California, Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Institut National de la Santé et de la Recherche Médicale (INSERM), Humboldt-Universität zu Berlin, Institut cellule souche et cerveau (U846 Inserm - UCBL1), Universidade de Lisboa (ULISBOA)-Universidade de Lisboa (ULISBOA), Université de Lausanne (UNIL), École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-École normale supérieure - Paris (ENS Paris), Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS)-Inria de Paris, Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Université Pierre et Marie Curie - Paris 6 (UPMC), Département d'informatique de l'École normale supérieure (DI-ENS), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Paris (ENS Paris), and Rougier, Nicolas P.
Subjects: FOS: Computer and information sciences, Technology, Journal, lcsh:QA75.5-76.95, Computational Science, GitHub, Scientific Computing and Simulation, Social Computing, Open Science, Replicability, REPRODUCIBLE RESEARCH, [INFO.INFO-DL]Computer Science [cs]/Digital Libraries [cs.DL], Open peer-review, Digital Libraries (cs.DL), Computational science, Open science, Publication, Reproducible, Replicable, Sustainable, GitHub, Open peer-review, [ INFO.INFO-DL ] Computer Science [cs]/Digital Libraries [cs.DL], Science & Technology, Computer Science, Information Systems, Data Science, Computational science, bepress|Physical Sciences and Mathematics|Computer Sciences, Computer Science - Digital Libraries, Sustainable, Reproducibility, Networking and Information Technology R&D (NITRD), Digital Libraries, Computer Science, Reproducible, Publication, Open science, lcsh:Electronic computers. Computer science, [INFO.INFO-DL] Computer Science [cs]/Digital Libraries [cs.DL], Replicable
Abstract: Computer science offers a large set of tools for prototyping, writing, running, testing, validating, sharing and reproducing results, however computational science lags behind. In the best case, authors may provide their source code as a compressed archive and they may feel confident their research is reproducible. But this is not exactly true. James Buckheit and David Donoho proposed more than two decades ago that an article about computational results is advertising, not scholarship. The actual scholarship is the full software environment, code, and data that produced the result. This implies new workflows, in particular in peer-reviews. Existing journals have been slow to adapt: source codes are rarely requested, hardly ever actually executed to check that they produce the results advertised in the article. ReScience is a peer-reviewed journal that targets computational research and encourages the explicit replication of already published research, promoting new and open-source implementations in order to ensure that the original research can be replicated from its description. To achieve this goal, the whole publishing chain is radically different from other traditional scientific journals. ReScience resides on GitHub where each new implementation of a computational study is made available together with comments, explanations, and software tests., 8 pages, 1 figure
Published: 2017
Full Text: View/download PDF

3. MEG Encoding using Word Context Semantics in Listening Stories

Author: Reddy Oota, Subba, Trouvain, Nathan, Alexandre, Frederic, Hinaut, Xavier, Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and INTERSPEECH
Subjects: MEG, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], human-computer interaction, [SCCO.NEUR]Cognitive science/Neuroscience, context length, [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [SCCO.LING]Cognitive science/Linguistics, brain encoding, syntax, semantics, [INFO.INFO-CL]Computer Science [cs]/Computation and Language [cs.CL], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Brain encoding is the process of mapping stimuli to brain activity. There is a vast literature on linguistic brain encoding for functional MRI (fMRI) related to syntactic and semantic representations. Magnetoencephalography (MEG), with higher temporal resolution than fMRI, enables us to look more precisely at the timing of linguistic feature processing. Unlike MEG decoding, few studies on MEG encoding using natural stimuli exist. Existing ones on story listening focus on phoneme and simple word-based features, ignoring more abstract features such as context, syntactic and semantic aspects. Inspired by previous fMRI studies, we study MEG brain encoding using basic syntactic and semantic features, with various context lengths and directions (past vs. future), for a dataset of 8 subjects listening to stories. We find that BERT representations predict MEG significantly but not other syntactic features or word embeddings (e.g. GloVe), allowing us to encode MEG in a distributed way across auditory and language regions in time. In particular, past context is crucial in obtaining significant results.
Published: 2023

4. Speech Taskonomy: Which Speech Tasks are the most Predictive of fMRI Brain Activity?

Author: Reddy Oota, Subba, Veeral, Agarwal, Mounika, Marreddy, Manish, Gupta, Bapi, Raju Surampudi, Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), International Institute of Information Technology, Hyderabad [Hyderabad] (IIIT-H), and Microsoft Research (MSR)
Subjects: computational paralinguistics, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], human-computer interaction, [SCCO.NEUR]Cognitive science/Neuroscience, FMRI = functional MRI, speech recognition, Speech Downstream Tasks, Brain Encoding, [INFO.INFO-CL]Computer Science [cs]/Computation and Language [cs.CL], Transfomers, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Self-supervised speech based models have been found to be successful in predicting brain recordings of subjects experiencing naturalistic story listening. Inspired by the recent progress on deep learning models for various speech-processing tasks, existing literature has leveraged pretrained speech Transformer models for brain encoding. However, there is no work on exploring the efficacy of task-specific finetuned Transformer representations for this task. Hence, in this paper, we explore transfer learning from representations finetuned for eight different tasks from Speech processing Universal PERformance Benchmark (SUPERB) for predicting brain responses. Encoding models based on task features are used to predict activity in different regions across the whole brain, and also in language and auditory brain regions. Our experiments on finetuning the Wav2Vec2.0 model for these eight tasks show that the model finetuned on automatic speech recognition (ASR) yields the best encoding performance for the whole brain, language and auditory regions.
Published: 2023

5. How does the brain process syntactic structure while listening?

Author: Reddy Oota, Subba, Marreddy, Mounika, Gupta, Manish, Bapi, Raju Surampudi, Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), International Institute of Information Technology, Hyderabad [Hyderabad] (IIIT-H), Microsoft Research (MSR), and Association for Computational Linguistics
Subjects: [SCCO.NEUR]Cognitive science/Neuroscience, Incremental Top-Down Parsing, Constituency parsers, Language Regions, [SCCO.LING]Cognitive science/Linguistics, Brain Encoding, [INFO.INFO-CL]Computer Science [cs]/Computation and Language [cs.CL], Semantics, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], Transformers, Dependency Parsing, FMRI = functional MRI, Syntax
Abstract: International audience; Syntactic parsing is the task of assigning a syntactic structure to a sentence. There are two popular syntactic parsing methods: constituency and dependency parsing. Recent works have used syntactic embeddings based on constituency trees, incremental top-down parsing, and other word syntactic features for brain activity prediction given the text stimuli to study how the syntax structure is represented in the brain's language network. However, the effectiveness of dependency parse trees or the relative predictive power of the various syntax parsers across brain areas, especially for the listening task, is yet unexplored. In this study, we investigate the predictive power of the brain encoding models in three settings: (i) individual performance of the constituency and dependency syntactic parsing based embedding methods, (ii) efficacy of these syntactic parsing based embedding methods when controlling for basic syntactic signals, (iii) relative effectiveness of each of the syntactic embedding methods when controlling for the other. Further, we explore the relative importance of syntactic information (from these syntactic embedding methods) versus semantic information using BERT embeddings. We find that constituency parsers help explain activations in the temporal lobe and middle-frontal gyrus, while dependency parsers better encode syntactic structure in the angular gyrus and posterior cingulate cortex. Although semantic signals from BERT are more effective compared to any of the syntactic features or embedding methods, syntactic embedding methods explain additional variance for a few brain regions.
Published: 2023

6. Une approche computationnelle des sciences de l'éducation : modélisation de la résolution créative de problèmes dans l'interaction enfant-robot par le biais de traces d'apprentissage de type comportamentale

Author: Romero, Margarida, Alexandre, Frédéric, Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA), Université Laval [Québec] (ULaval), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), International Society of the Learning Sciences, Concordia University, AEx AIDE, and ANR-18-CE38-0001,CreaMaker,#CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker(2018)
Subjects: [INFO.INFO-SC]Computer Science [cs]/Symbolic Computation [cs.SC], Artificial intelligence, Problem solving, [SHS.EDU]Humanities and Social Sciences/Education, Educational robotics
Abstract: International audience; In computational neuroscience and bioinspired artificial intelligence (AI), different studies aim at understanding the mechanisms of perception such as shape recognition and sensori-motor coordination such as grasping or pinching. A step further, as in the Mnemosyne research program, cognitive mechanisms are analyzed to better understand brain circuits responsible for reasoning and problem-solving by a biological or algorithmic agent. The ANR CreaMaker and AIDE research programs seek to improve understanding of creative problem solving via behavioral analysis of the relationship between brain processes and problem-solving activities. The CPS behavior (intentions + CPS regulation) is analyzed using learning analytics created automatically as well as human analysis based on coding schemes. #CreaCube is a large dataset of creative problem-solving challenges (n>1300 experiments). Each video is coded in accordance with a behavioral learning analytics coding schema. #CreaComp is a computational learning sciences research program dedicated to the improvement of the study of creative problem solving.
Published: 2023

7. Comment fonctionne ChatGPT ? Décrypter son nom pour comprendre les modèles de langage

Author: Alexandre, Frédéric, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), and Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS)
Subjects: [INFO]Computer Science [cs]
Abstract: International audience; On voit passer beaucoup d'avis sur des Intelligences Ar6ficielles comme ChatGPT, sur leur dangerosité, leur niveau d'intelligence voire leur humanité. Mais finalement, que sait-on de ChatGPT ? Que c'est un réseau de neurones ar6ficiels composé de milliards de paramètres ; Qu'il est capable de tenir une discussion de haut niveau ; mais aussi qu'il peut tomber dans des pièges grossiers tendus par des internautes facé6eux. Bref, on nous parle beaucoup de lui mais on en sait finalement très peu sur son fonc6onnement. Donc, avant d'en débaLre, je vous propose de présenter les mécanismes principaux sur lesquels ChatGPT repose, ce qui nous permeLra de comprendre que, si le résultat est parfois impressionnant, ses mécanismes élémentaires sont souvent astucieux mais pas vraiment nouveaux. Pour ce faire, passons en revue les différents termes du sigle ChatGPT.
Published: 2023

8. Past Word Context Enables Better MEG Encoding Predictions than Current Word in Listening Stories

Author: Reddy Oota, Subba, Trouvain, Nathan, Alexandre, Frédéric, Hinaut, Xavier, Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and PhD Inria CORDI-S NewSpeak
Subjects: MEG, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], Transformers, Sentence processing, Brain encoding, [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], Language model, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Brain encoding is the process of mapping stimuli to brain activity. There is a vast literature on linguistic brain encoding for functional MRI (fMRI) related to syntactic and semantic representations. Magnetoencephalography (MEG), with higher temporal resolution than fMRI, enables us to look more precisely at the timing of linguistic feature processing. Unlike MEG decoding, few studies on MEG encoding using natural stimuli exist. Existing ones on story listening focus on phoneme and simple word-based features, ignoring more abstract features such as context, syntactic and semantic aspects. Inspired by previous fMRI studies, we study MEG brain encoding using basic syntactic and semantic features, with various context lengths and directions (past vs. future), for a dataset of 8 subjects listening to stories (Gwilliams et al. arXiv 2022). We find that BERT representations are significant but not other syntactic features or word embeddings (e.g. GloVe), allowing us to encode MEG in a distributed way across auditory and language regions in time. In particular, past context is crucial in obtaining significant results.This suggests that the "word encoding center of mass" is few words behind the current word, as if the brain would wait for more future context before encoding "fully" the word, or similarly that the current representation of the incoming word is encoded in a transient representation that is changing until the next words come in. This is coherent with previous studies that showed that the several past phonemes information (position-invariant code for content and order) are kept in memory (Gwilliams et al. 2022), and that current incoming word lexical information is retrieved in a context sensitive manner (rather then using the most probable lexical category of the word) (Gwilliams et al. 2023). HVC are of canaries, the brain area managing long-time dependencies in song production, preferentially encodes past actions rather than future actions: specific neuron populations preferencially encoding past actions were actually more active during the rare phrases that involve history-dependent transitions in song (Cohen et al. 2020). This is also coherent with the results of (Gwilliams et al. 2022) where phoneme representations are sustained longer when lexical identity is uncertain. Overall, it seems that the representations of past events or actions are kept in memory until they have been used to disambiguate future events/actions.
Published: 2023

9. Premiers résultats empiriques sur l’apprentissage par renforcement symbolique

Author: Radji, Waris, Léger, Corentin, Bardisbanian, Lucas, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Inria & Labri, Univ. Bordeaux, and AEx AIDE
Subjects: Ontology Edit Distances, Models for Learning Science, Distances d'édition, Ontologie, Sciences de l'éducation, [SDV.NEU.SC]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC]/Cognitive Sciences, Apprentissage symbolique par renforcement, Reinforcement Symbolic Learning, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: Reinforcement learning is a subfield of machine learning that is concerned with how agents learn to make decisions in an environment in order to maximize some notion of reward. It has shown great promise in a variety of domains, but it often struggles with generalization and interpretability due to its reliance on black-box models. One approach to address this issue is to incorporate knowledge representation into reinforcement learning. In this work, we explore the benefits of using symbolic representation in reinforcement learning and present preliminary results on its performance compared to standard reinforcement learning techniques. Our experiments show that the use of symbolic representation can significantly improve the generalization capabilities of reinforcement learning agents. We also discuss the potential challenges and limitations of this approach and suggest avenues for future research.; L’apprentissage par renforcement est un sous-domaine de l’apprentissage automatique qui s’intéresse à la manière dont les agents apprennent à prendre des décisions dans un environnement afin de maximiser une récompense. Il s’est avéré très prometteur dans divers domaines, mais il se heurte souvent à des problèmes de généralisation et d’interprétabilité en raison de sa dépendance à l’égard de modèles de type "boîte noire". Une approche pour résoudre ce problème consiste à incorporer la représentation des connaissances dans l’apprentissage par renforcement. Dans ce travail, nous explorons les avantages de l’utilisation de la représentation symbolique dans l’apprentissage par renforcement et présentons des résultats préliminaires sur sa performance par rapport aux techniques d’apprentissage par renforcement standard. Nos expériences montrent que l’utilisation de la représentation symbolique peut améliorer de manièresignificative les capacités de généralisation des agents d’apprentissage par renforcement. Nous discutons également des défis potentiels et des limites de cette approche et suggérons des pistes de recherche pour l’avenir.
Published: 2023

10. De Cambridge Analytica à ChatGPT, comprendre comment l’IA donne un sens aux mots

Author: Alexandre, Frédéric, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), and Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS)
Subjects: [INFO]Computer Science [cs]
Abstract: International audience; Un des problèmes majeurs que l’IA n’a toujours pas résolus aujourd’hui est celui de l’ancrage du symbole (symbol grounding problem), c’est-à-dire comment des symboles (des mots par exemple) peuvent être associés à leur signification. Par exemple, si je dis : « le chat dort sur son coussin car il est fatigué », la plupart des êtres humains comprendra sans effort que « il » renvoie à « chat » et pas à « coussin ». C’est ce qu’on appelle le raisonnement de bon sens. Par contre, ce raisonnement va être beaucoup plus difficile en IA et je vais expliquer pourquoi. Mais je vais aussi présenter la technique dite de plongement lexical qui, si elle ne résout pas tous les problèmes, est cependant d’une redoutable efficacité. Il est important de connaitre les principes de cette technique car c’est celle qui est utilisée dans la plupart des modèles d’IA récents, dont ChatGPT.
Published: 2023

11. Sample my Canary

Author: Chateau-Laurent, Hugo, Hinaut, Xavier, Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), and Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS)
Subjects: [SHS.MUSIQ]Humanities and Social Sciences/Musicology and performing arts, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], Interaction homme-machine, Oiseau chanteur, [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], génération musicale, Generative Adversarial Network
Abstract: International audience; Comment interagir avec les sons lorsque l'on n'est pas musicien•ne ? Comment interagir avec des sons qui ne sont pas produits par des instruments lorsque l'on est musicien•ne ? Comment chanter comme un oiseau ? Dans cette performance, nous allons proposer au public de "composer" avec des sons de canaris. Cela ne va pas être des "échantillons" (samples en Anglais) de sons de canaris, mais des sons générées par apprentissage artificiel. Un Réseau Génératif Antagoniste (GAN en anglais) va permettre au public d'explorer un espace de sons continu, et ainsi de générer une infinité de syllabes de canaris. Deux musiciens seront présents pour accompagner les utilisateurs générant des rythmes à base de ces générations : ces acteurs-musiciens seront des (drôles) "objets" de l'interaction.
Published: 2023

12. VisPy: Harnessing The GPU For Fast, High-Level Visualization

Author: Almar Klein, Eric Larson, Cyrille Rossant, Luke Campagnola, Nicolas P. Rougier, University of North Carolina [Chapel Hill] (UNC), University of North Carolina System (UNC), University of Twente [Netherlands], University of Washington [Seattle], Audition (Psychophysique, Modélisation, Neurosciences) (APMN), Laboratoire des systèmes perceptifs (LSP), Département d'Etudes Cognitives - ENS Paris (DEC), École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS)-Département d'Etudes Cognitives - ENS Paris (DEC), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB), Kathryn Huff, James Bergstra, University of Twente, École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-École normale supérieure - Paris (ENS-PSL), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Neurobiology Curriculum, UNC School of Medicine, Audition (Psychophysique, Modélisation, Neurosciences) ( APMN ), Laboratoire des systèmes perceptifs, Département d'Etudes Cognitives - ENS Paris ( DEC ), École normale supérieure - Paris ( ENS Paris ) -École normale supérieure - Paris ( ENS Paris ) -Centre National de la Recherche Scientifique ( CNRS ) -Département d'Etudes Cognitives - ENS Paris ( DEC ), École normale supérieure - Paris ( ENS Paris ) -École normale supérieure - Paris ( ENS Paris ) -Centre National de la Recherche Scientifique ( CNRS ), Mnemonic Synergy ( Mnemosyne ), Laboratoire Bordelais de Recherche en Informatique ( LaBRI ), Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2-Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut des Maladies Neurodégénératives [Bordeaux] ( IMN ), Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ) -Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ), Institut des Maladies Neurodégénératives [Bordeaux] ( IMN ), Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ), and Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2
Subjects: plotting, [ INFO ] Computer Science [cs], Computer science, OpenGL, 01 natural sciences, 010305 fluids & plasmas, 03 medical and health sciences, Information visualization, 0302 clinical medicine, Computer graphics (images), 0103 physical sciences, interactive, [INFO]Computer Science [cs], Graphics, Architecture, Interactive visualization, visualization, computer.programming_language, opengl, business.industry, graphics, [SCCO.NEUR]Cognitive science/Neuroscience, Multidimensional data, [ INFO.INFO-GR ] Computer Science [cs]/Graphics [cs.GR], Python (programming language), [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], Visualization, python, [ SCCO.NEUR ] Cognitive science/Neuroscience, business, computer, performance, 030217 neurology & neurosurgery
Abstract: International audience; The growing availability of large, multidimensional data sets has created demand for high-performance, interactive visualization tools. VisPy leverages the GPU to provide fast, interactive, and beautiful visualizations in a high-level API. Here we introduce the main features, architecture, and techniques used in VisPy.
Published: 2015
Full Text: View/download PDF

13. Computational benefits of structural plasticity, illustrated in songbirds

Author: Remya Sankar, Arthur Leblois, Nicolas P. Rougier, Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), ANR-17-CE24-0036,SOMA,Auto-organisation dans les architectures matérielles neuromorphiques(2017), ANR-16-CE37-0020,VocaLearn,Circuits et fonctions du cervelet dans l'apprentissage vocal(2016), and Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Inria Bordeaux - Sud-Ouest
Subjects: Cognitive science, 0303 health sciences, Computational model, Neuronal Plasticity, Computational neuroscience, Computer science, Cognitive Neuroscience, Brain, Plasticity, Sensorimotor learning, Adaptation, Physiological, Songbirds, 03 medical and health sciences, Behavioral Neuroscience, 0302 clinical medicine, Neuropsychology and Physiological Psychology, Time course, Structural plasticity, Animals, [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], Vocal learning, Finches, Vocalization, Animal, 030217 neurology & neurosurgery, 030304 developmental biology
Abstract: International audience; The plasticity of nervous systems allows animals to quickly adapt to a changing environment. In particular, the structural plasticity of brain networks is o en critical to the development of the central nervous system and the acquisition of complex behaviors. As an example, structural plasticity is central to the development of song-related brain circuits and may be critical for song acquisition in juvenile songbirds. Here, we review current evidences for structural plasticity and their significance from a computational point of view. We start by reviewing evidence for structural plasticity across species and categorizing them along the spatial axes as well as the along the time course during development. We introduce the vocal learning circuitry in zebra finches, as a useful example of structural plasticity, and use this specific case to explore the possible contributions of structural plasticity to computational models. Finally, we discuss current modelling studies incorporating structural plasticity and unexplored questions which are raised by such models.
Published: 2022
Full Text: View/download PDF

14. Data management plan of the Special Interest Group Scol_IA Renewal of digital practices and creative uses of digital and AI

Author: Romero, Margarida, Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA), Université Laval [Québec] (ULaval), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), GTnum Scol_IA, Université Côte d'Azur, and ANR-18-CE38-0001,CreaMaker,#CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker(2018)
Subjects: Artificial intelligence, intelligence artificielle, [SHS.EDU]Humanities and Social Sciences/Education
Abstract: Data Management Plan (DMP) of the #Scol_IA SIG “Renewal of digital practices and creative uses of AI”. The DMP is created using DMP OPIDoR, based on the "Science Europe-DMP template" provided by Science Europe.; Plan de gestion de données (DMP) du Groupe thématique numérique #Scol_IA “Renouvellement des pratiques numériques et usages créatifs du numérique et IA”. Le DMP est créé à l'aide de DMP OPIDoR, basé sur le modèle "Science Europe-DMP template" fourni par Science Europe.
Published: 2023

15. Représenter l'apprentissage humain dans des problèmes ouverts

Author: Palaude, Axel, Mercier, Chloé, Romero, Margarida, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA), AEx AIDE, Kedge Business School Bordeaux, and ANR-18-CE38-0001,CreaMaker,#CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker(2018)
Subjects: [STAT]Statistics [stat], problème ouvert, modèles de Markov cachés, [INFO]Computer Science [cs], stratégies, résolution de problèmes, clustering de séquences
Abstract: Remerciements : à Frédéric Alexandre et Thierry Viéville pour leur participation au projet AIDE avec nous, leur relecture et leur collaboration à certaines des idées proposées ici.; International audience; La résolution de problèmes ouverts est un défi complexe quant à son analyse au niveau de l'apprentissage humain, car le caractère ouvert multiplie d'une part les actions possibles du point de vue de l'apprenant, et d'autre part les observables à tenir compte du point de vue de l'observateur. Collecter et analyser ce genre de données à l'aune de techniques d'intelligence artificielle permet d'explorer ce cadre en essayant d'extraire des observations des comportements généraux ou des représentations réduites de l'apprentissage.
Published: 2023

16. Education à l’intelligence artificielle : Quelles compétences acquérir par les élèves ?

Author: Heiser, Laurent, Romero, Margarida, Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Institut mediterranéen des sciences de l'information et de la communication (IMSIC), Aix Marseille Université (AMU)-Université de Toulon (UTLN), Université Laval [Québec] (ULaval), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Université Côte d'Azur (UCA), GTnum Scol_IA, and Université Côte d'Azur
Subjects: Artificial intelligence, education, intelligence artificielle, [SHS.EDU]Humanities and Social Sciences/Education, éducation
Abstract: Artificial intelligence is a concept that generates different types of reactions from educational actors. First of all, it is a concept that may seem very far from educational reality and generate fears related to the type of data processing that will be used. On the other hand, too positive expectations could also be expected of AI in education. To help demystify this concept, let's start by defining it. Among pioneers in the field like Minsky, artificial intelligence is defined as "the construction of computer programmes that engage in tasks that are, for the time being, performed more satisfactorily by human beings because they require high-level mental processes such as perceptual learning, memory organisation, and critical reasoning" (1956). More recently, Young et al. (2019) defined artificial intelligence "as any domain-specific system that uses machine learning techniques to make rational decisions about non-deterministic tasks". Taking into account the multiplicity of disciplinary fields and the number of non-deterministic tasks that learners face, we can already realise that the uses of AI in education will be very specialised and will not be able to cover all the broad fields of competence of teachers.; L’intelligence artificielle est un concept qui génère différents types de réactions auprès des acteurs éducatifs. Tout d’abord, il s’agit d’un concept qui peut paraître très éloigné de la réalité éducative et générer des craintes en lien au type de traitement de données qui vont être utilisées. D’autre part, des attentes trop positives pourraient également être attendues sur l’IA en éducation. Pour permettre de démystifier ce concept, commençons par le définir. Parmi les pionniers du domaine comme Minsky, l’intelligence artificielle est définie comme « la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains, car elles demandent des processus mentaux de haut niveau tels que l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique » (1956). Plus récemment, Young et al (2019) définissent l'intelligence artificielle “comme tout système spécifique à un domaine utilisant des techniques d'apprentissage automatique pour prendre des décisions rationnelles concernant des tâches non déterministes”. Tenant compte de la multiplicité de domaines disciplinaires et la quantité de tâches non déterministes auxquelles font face les apprenants, nous pouvons déjà nous rendre à l’évidence que les usages de l’IA en éducation vont être très spécialisés et ne pourront pas couvrir l’ensemble des larges champs de compétences des enseignants.
Published: 2023

17. Un MOOC pour initier a l'IA : « Intelligence Artificielle avec Intelligence »

Author: Alexandre, Frédéric, Comte, Marie-Hélène, Lagarrigue, Aurélie, Mercier, Chloé, Palaude, Axel, Romero, Margarida, Viéville, Thierry, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Inria Learning Lab (ILL), Direction de la Culture et de l’Information Scientifiques (DCIS), Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Direction du numérique pour l'éducationGTnum #Scol_IAAction exploratoire AIDE, Canopé, and AEx AIDE
Subjects: intelligence artificielle, médiation scientifique, [SHS.EDU]Humanities and Social Sciences/Education, enseignement de l'informatique, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: National audience; Pour appréhender l'IA au quotidien, il faut former les citoyens dès la fin du primaire et tout au long de la vie à la compréhension de ses fondamentaux. Le MOOC « Intelligence artificielle avec intelligence » (IAI) est une formation hybride et participative permettant à des citoyens de s'initier à l'IA de manière à la fois théorique et expérimentale, par l'essai de différentes technologies comme la reconnaissance d'images. La formation permet de mieux comprendre, pour mieux appréhender cette IA désormais présente au quotidien.
Published: 2023

18. Enseigner et apprendre à l'ère de l'intelligence artificielle

Author: Romero, Margarida, Heiser, Laurent, Lepage, Alexandre, Gagnebien, Anne, Bonjour, Audrey, Lagarrigue, Aurelie, Palaude, Axel, Boulord, Caroline, Gagneur, Charles-Antoine, Mercier, Chloé, Caucheteux, Christelle, Guidoni-Stoltz, Dominique, Tressols, Florence, Henry, Julie, Alexandre, Frédéric, Céci, Jean-François, Camponovo, Jérémy, Fouché, Laurent, Métral, Jean-François, Hodgkins, Lianne-Blue, Comte, Marie-Hélène, Durampart, Michel, Corieri, Patricia, Olry, Paul, Reboul, Pauline, Bonfils, Philippe, Amor, Sami Ben, Collin, Simon, Ciavaldini-Cartaut, Solange, Viéville, Thierry, Batifol, Victoire, Borgne, Yann-Aël Le, Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Université Laval [Québec] (ULaval), Université Côte d'Azur (UCA), Université de Montréal (UdeM), Université de Toulon (UTLN), Inria Learning Lab (ILL), Direction de la Culture et de l’Information Scientifiques (DCIS), Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), La Scientothèque [Bruxelles], Formation et apprentissages professionnels (FoAP), Conservatoire National des Arts et Métiers [CNAM] (CNAM), HESAM Université - Communauté d'universités et d'établissements Hautes écoles Sorbonne Arts et métiers université (HESAM)-HESAM Université - Communauté d'universités et d'établissements Hautes écoles Sorbonne Arts et métiers université (HESAM)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Agro Dijon, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), HESAM Université - Communauté d'universités et d'établissements Hautes écoles Sorbonne Arts et métiers université (HESAM), Auteur indépendant, Institut Agro Dijon, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Université de Namur [Namur] (UNamur), Université de Poitiers, Académie de Nice, Université du Québec à Montréal = University of Québec in Montréal (UQAM), Direction du numérique pour l'éducation, GTnum #Scol_IA, Action exploratoire AIDE, GTnum Scol_IA, ANR-18-CE38-0001,CreaMaker,#CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker(2018), and European Project: CAI
Subjects: Artificial intelligence, usages créatifs, compétences du 21ème siècle, numérique, intelligence artificielle, [SHS.EDU]Humanities and Social Sciences/Education, agentivité, [INFO.INFO-HC]Computer Science [cs]/Human-Computer Interaction [cs.HC]
Abstract: International audience; As part of the Digital Working Group (GTnum) #Scol_IA “Renewal of digital practices and creative uses of digital and AI” we are pleased to present the white paper “Teaching and learning in the era of Artificial Intelligence, Acculturation , integration and creative uses of AI in education”. The white paper edited by Margarida Romero, Laurent Heiser and Alexandre Lepage aims to provide the various educational actors with a diversified perspective both on the issues of acculturation and training in AI and on the resources and feedback from the various research teams and organisations. of scientific culture in the French-speaking countries. A multidisciplinary approach makes it possible to consider the perspectives of researchers in computer science as well as those of education and training sciences, information and communication sciences and the expertise of teaching professionals. and scientific mediation.; Dans le cadre du Groupe de Travail numérique (GTnum) #Scol_IA “Renouvellement des pratiques numériques et usages créatifs du numérique et IA” nous sommes heureux de vous présenter le livre blanc “Enseigner et apprendre à l’ère de l’Intelligence Artificielle, Acculturation, intégration et usages créatifs de l’IA en éducation”. Le livre blanc édité par Margarida Romero, Laurent Heiser et Alexandre Lepage vise apporter aux différents acteurs éducatifs un éclairage diversifié tant des enjeux de l’acculturation et formation à l’IA que des ressources et retours d’expérience des différentes équipes de recherche et organismes de culture scientifique de la francophonie. Une approche pluridisciplinaire permet de considérer tant les perspectives des chercheurs en sciences de l’informatique, que celles des sciences de l’éducation et de la formation, les sciences de l’information et la communication et l’expertise des professionnels de l’enseignement et de la médiation scientifique.
Published: 2023

19. L'IA pour mieux apprendre et apprehender L'IA

Author: Alexandre, Frédéric, Comte, Marie-Hélène, Lagarrigue, Aurélie, Viéville, Thierry, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Inria Learning Lab (ILL), Direction de la Culture et de l’Information Scientifiques (DCIS), Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Direction du numérique pour l'éducationGTnum #Scol_IAAction exploratoire AIDE, AEx AIDE, GTnum Scol_IA, and ANR-18-CE38-0001,CreaMaker,#CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker(2018)
Subjects: [SHS.EDU]Humanities and Social Sciences/Education, Éducation, Intelligence artificielle, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: National audience; L'IA en éducation peut être abordée depuis trois perspectives parallèles. D'abord, elle peut servir à adapter l'expérience d'apprentissage par la conception d'outils prenant en compte différentes caractéristiques des apprenants ou des traces numériques issues de leur interaction avec des systèmes. Bien utilisés, de tels systèmes pourraient décharger les enseignants de tâches relatives à la transmission des contenus et leur permettre d'intervenir sur des aspects plus complexes de l'apprentissage des élèves. Ensuite, l'IA peut être utilisée comme outil scientifique pour mieux comprendre les phénomènes d'apprentissage humain, par la modélisation de l'apprenant. Finalement, l'IA peut être envisagée depuis la perspective de l'éducation critique à l'IA. Ce chapitre présente succinctement ces trois perspectives qui ne s'excluent pas les unes des autres, mais qui se complètent pour mieux cerner les enjeux de l'IA. Les dernières recherches associant les sciences de l'éducation et les sciences du numérique permettent de comprendre les liens entre l'intelligence artificielle (IA) et l'éducation, y compris leurs limites. Ces recherches nous montrent comment l'IA peut être pensée pour mieux apprendre et développer son esprit critique (Roux et al. 2020 ; Viéville, 2018), pour comprendre l'apprentissage humain lui-même, et enfin comme objet d'enseignement, pour maîtriser de manière éclairée ces outils devenus quotidiens (Viéville et Guitton, 2020).
Published: 2023

20. Symboling : utiliser des structures symboliques dotées d’une métrique

Author: Bernard, Paul, Hate, Benjamin, Laval, Morgane, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Ecole Nationale Supérieure de Cognitique (ENSC), Institut Polytechnique de Bordeaux, Inria & Labri, Univ. Bordeaux, and AEx AIDE
Subjects: Symbolic representation, Résolution de problèmes, Distance d’édition, Editing distance, Problem-Solving, Représentations symboliques, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: We consider manipulating symbolic data structure within usual machine learning algorithms, for instance considering a reactive system engaged in some open-ended, ill-defined problem-solving task. We define the problem-solving tasks at a geometric level, considering being located somewhere in a state-space, with the goal of reaching some final (unique or alternative, eventually partially defined) state, and finding a way from the former to the latter while satisfying the path constraints. The pivotal idea of this geometric definition is to consider an abstract state space where each point is a symbolic data structure, representing contextual information about the physical space and about the agent's internal state. Selecting a local trajectory corresponds to deciding, as a step in the problem-solving process, to modify some characteristics of the state space both at the external level (e.g., moving an object) and at the internal level (i.e., modifying the internal representation). The primary ingredient is to specify a distance. The lever is the notion of editing distance, i.e., the fact that a symbolic data value is step-by-step edited in order to equal another value. Moreover, given a data type, this specification includes the projection of a data value in the neighborhood of the data type region onto it, as developed here. This French report introduces these rather absconding notions making them as much as possible accessible, including showing their relation with computational neuroscience modeling and illustrating them using one drawing and one musical example.; Nous proposons de manipuler des structures de données symboliques au sein d’algorithmes d'apprentissage automatique habituels, par exemple en considérant un système réactif engagé dans une tâche de résolution de problèmes ouverte et mal définie. Nous définissons les tâches de résolution de problèmes à un niveau géométrique, en considérant que nous sommes situés quelque part dans un espace d'états, dans le but d'atteindre un état final (unique ou alternatif, éventuellement partiellement défini), et de trouver un chemin du premier au dernier tout en respectant les contraintes du chemin.L'idée centrale de cette définition géométrique est de considérer un espace d'état abstrait où chaque point est une structure de données symboliques, représentant des informations contextuelles sur l'espace physique et sur l'état interne de l'agent. Sélectionner une trajectoire locale correspond à décider, comme étape du processus de résolution du problème, de modifier certaines caractéristiques de l'espace d'états tant au niveau externe (e.g., déplacer un objet) qu'au niveau interne (i.e., modifier la représentation interne).L'ingrédient principal est de spécifier une distance. Le levier est une notion de distance d'édition, c'est-à-dire le fait qu'une valeur de donnée symbolique est éditée pas à pas pour égaler une autre valeur. De plus, étant donné un type de données, cette spécification inclut la projection d'une valeur de données au voisinage de la région spécifiant un type de données sur celui-ci, comme développé ici.Ce rapport introduit ces notions plutôt abstraites en les rendant les plus accessibles possibles, notamment en montrant leur relation avec la modélisation en neuroscience computationnelle et en les illustrant à l'aide d'un exemple de dessins et d'un exemple musical.
Published: 2023

21. Interacting rhythms enhance sensitivity of target detection in a fronto-parietal computational model of visual attention

Author: Amélie Aussel, Ian C Fiebelkorn, Sabine Kastner, Nancy J Kopell, Benjamin Rafael Pittman-Polletta, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS), University of Rochester Medical Center (URMC), Princeton University, and Boston University [Boston] (BU)
Subjects: General Immunology and Microbiology, [SCCO.NEUR]Cognitive science/Neuroscience, General Neuroscience, General Medicine, [INFO.INFO-MO]Computer Science [cs]/Modeling and Simulation, General Biochemistry, Genetics and Molecular Biology
Abstract: International audience; Even during sustained attention, enhanced processing of attended stimuli waxes and wanes rhythmically, with periods of enhanced and relatively diminished visual processing (and subsequent target detection) alternating at 4 or 8 Hz in a sustained visual attention task. These alternating attentional states occur alongside alternating dynamical states, in which lateral intraparietal cortex (LIP), the frontal eye field (FEF), and the mediodorsal pulvinar (mdPul) exhibit different activity and functional connectivity at α, β, and γ frequencies—rhythms associated with visual processing, working memory, and motor suppression. To assess whether and how these multiple interacting rhythms contribute to periodicity in attention, we propose a detailed computational model of FEF and LIP. When driven by θ-rhythmic inputs simulating experimentally-observed mdPul activity, this model reproduced the rhythmic dynamics and behavioral consequences of observed attentional states, revealing that the frequencies and mechanisms of the observed rhythms allow for peak sensitivity in visual target detection while maintaining functional flexibility.
Published: 2023
Full Text: View/download PDF

22. A new method for quantifying treeline-ecotone change based on multiple spatial pattern dimensions

Author: Birre, Déborah, Feuillet, Thierry, Lagalis, Roman, Milian, Johan, Alexandre, Frédéric, Sheeren, David, Serrano-Notivoli, Roberto, Vignal, Matthieu, Bader, Maaike, Centre de recherche pluridisciplinaire en Lettres, Langues, Sciences Humaines et des Sociétés (Pléiade), Université Sorbonne Paris Nord, Identité et Différenciation de l’Espace, de l’Environnement et des Sociétés (IDEES), Université de Caen Normandie (UNICAEN), Normandie Université (NU)-Normandie Université (NU)-Université Le Havre Normandie (ULH), Normandie Université (NU)-Université de Rouen Normandie (UNIROUEN), Normandie Université (NU)-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche Interdisciplinaire Homme et Société (IRIHS), Université de Rouen Normandie (UNIROUEN), Normandie Université (NU)-Normandie Université (NU)-Université de Rouen Normandie (UNIROUEN), Normandie Université (NU), Université Paris Cité (UPCité), Laboratoire Dynamiques Sociales et Recomposition des Espaces (LADYSS), Université Paris 1 Panthéon-Sorbonne (UP1)-Université Paris 8 Vincennes-Saint-Denis (UP8)-Université Paris Nanterre (UPN)-Centre National de la Recherche Scientifique (CNRS)-Université Paris Cité (UPCité), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Dynamiques et écologie des paysages agriforestiers (DYNAFOR), École nationale supérieure agronomique de Toulouse (ENSAT), Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Université de Toulouse (UT)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Université de Toulouse (UT)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Universidad de Zaragossa, Études des Structures, des Processus d’Adaptation et des Changements de l’Espace (ESPACE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Avignon Université (AU)-Aix Marseille Université (AMU)-Centre National de la Recherche Scientifique (CNRS)-Université Côte d'Azur (UCA), Philipps Universität Marburg = Philipps University of Marburg, ANR-21-CE03-0002,SpatialTreeP,Mobilité de la limite supérieure de la forêt subalpine dans les Pyrénées : pour une meilleure compréhension des interactions entre changement climatique, mutations anthropiques et effets de site(2021), École nationale supérieure agronomique de Toulouse [ENSAT]-Institut National Polytechnique (Toulouse) (Toulouse INP), and Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)
Subjects: Ecology, Alpine treeline ecotone Landscape metrics Structural shift Spatio-temporal PCA French Pyrenees, [SDV]Life Sciences [q-bio], Geography, Planning and Development, French Pyrenees, Landscape metrics, Spatio-temporal PCA, Structural shift, Alpine treeline ecotone, Nature and Landscape Conservation
Abstract: Context Treeline-ecotone spatial patterns and their dynamics reflect underlying processes. Changes in ecotone pattern may reflect changes in climatic drivers or land-use practices. However, characterizing these dynamics presents a major challenge, limiting our ability to map, understand and predict changes in the upper limits of mountain forests. Objective This paper proposes a new method using multiple pattern dimensions to describe treeline-ecotone spatial pattern shifts. This standardized protocol should be able to (i) distinguish different types of treeline-ecotone patterns within a large study area, (ii) characterize temporal pattern shifts in spatial pattern between two or more dates. Method We mapped alpine treeline ecotones (ATE) at 648 sites in the eastern French Pyrenees using aerial images from ~ 1955 and ~ 2015, identifying forest and non-forest areas at the hillslope scale. Extracted patch metrics were summarized using a Principle Component Analysis (PCA) and spatial pattern change was quantified from the shift in the PCA space and compared to elevational shifts. Results Three clusters of patterns were distinguished: diffuse, discrete and island-forming ATEs. Between 1955 and 2015, about half of the sites changed from one pattern cluster to another. Shifts into discrete ATEs were associated with smaller and negative elevational shifts, while shifts into diffuse ATEs coincided with the highest positive elevational shifts. Conclusion The proposed method allows a standardized and repeatable quantification of vegetation pattern change in alpine treeline ecotones based on historical aerial imagery. Seeing the importance of treeline-ecotone shifts for alpine biodiversity, we encourage the use of this protocol to better understand treeline dynamics at treelines globally.
Published: 2023
Full Text: View/download PDF

23. Un espace de formation francophone des enseignants, dédié à l’apprentissage de l’informatique, dans le secondaire

Author: Comte, Marie-Hélène, Djeballah, Sherazage, Fourny, Maxime, Hoarau, Sébastien, Juton, Anthony, Khaneboubi, Mehdi, Lagarrigue, Aurelie, Massart, Thierry, Poulmaire, Charles, Prince, Violaine, Renouf, Stéphane, Viéville, Thierry, Vincent, Jean-Marc, Viéville, Thierry, Inria Learning Lab (ILL), Direction de la Culture et de l’Information Scientifiques (DCIS), Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Académie de Besançon, Université de La Réunion (UR), Ecole Normale Supérieure Paris-Saclay (ENS Paris Saclay), CY Cergy Paris Université (CY), Département d'Informatique [Bruxelles] (ULB), Faculté des Sciences [Bruxelles] (ULB), Université libre de Bruxelles (ULB)-Université libre de Bruxelles (ULB), Académie de Versailles, Exploration et exploitation de données textuelles (TEXTE), Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier (LIRMM), Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM), Lycée Beaussier [La Seyne-sur-Mer], Ministère de l'Éducation nationale, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Université Grenoble Alpes (UGA), Performance analysis and optimization of LARge Infrastructures and Systems (POLARIS), Inria Grenoble - Rhône-Alpes, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Laboratoire d'Informatique de Grenoble (LIG), Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Université Grenoble Alpes (UGA)-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Institut de Recherche sur l’Enseignement des Mathématiques [Grenoble] (IREM), and Inria
Subjects: Communauté d’Apprentissage, [INFO.INFO-OH] Computer Science [cs]/Other [cs.OH], Learning Community, Computer Education, [SHS.EDU]Humanities and Social Sciences/Education, Community of Practice, Communauté de Pratiques, [INFO.INFO-OH]Computer Science [cs]/Other [cs.OH], [SHS.EDU] Humanities and Social Sciences/Education, Enseignement de l’informatique, Apprentissage de l’informatique, Computer Learning
Abstract: The introduction of computer science education in high school will allow the nextgenerations to master and participate in the development of digital technology. The main issue is therefore the training of teachers. We are helping to meet this challenge by forming a community of learning and practice with the welcome and support of hundreds of colleagues in activity or in training and by offering two online training courses, one regarding the fundamentals of computer science, with resources for initiation and improvement the other to learn to teach by doing, byco-preparing the educational activities of the courses to come, by sharing didactic practices and by taking a pedagogical step back, including from the point of view of the pedagogy of equality, supplemented by hybrid initiatives. We will share here the approach and the analysis from the point of view of educational sciences of the first results obtained. In terms of research, what we arepresenting here falls within the framework of what is called “research within action”., L’introduction de l’enseignement de l’informatique au lycée va permettre aux prochaines générations de maîtriser et participer au développement du numérique. Le principal enjeu est alors la formation des enseignantes et des enseignants. Nous aidons à relever ce défi en faisant communauté d’apprentissage et de pratique avec l’accueil et l’entraide de centaines de collègues en activité ou en formation et en offrant deux formations en ligne, l’une aux fondamentaux de l’informatique, avec des ressources d’initiation et de perfectionnement l’autre pour apprendre à enseigner par la pratique,en co-préparant les activités pédagogiques des cours à venir, en partageant des pratiques didactiques et en prenant un recul pédagogique, y compris du point de vue de la pédagogie de l’égalité, ceci complété d’initiatives hybrides. Nous enpartagerons ici la démarche et l’analyse du point de vue des sciences de l’éducation des premiers résultats obtenus. En matière de recherche, ce que nous présentons ici rentre dans le cadre de ce qui est appelé “recherche action”.
Published: 2023

24. Architecture à double voie sous-jacent l'apprentissage vocal des oiseaux chanteurs

Author: Sankar, Remya, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS), Université de Bordeaux (UB), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Université de Bordeaux, Nicolas Rougier, and Arthur Leblois
Subjects: Neural Networks, Apprentissage par renforcement, L’apprentissage sensorimoteur, Reinforcement learning, Réseaux de neurones, Sensorimotor learning, [INFO.INFO-MO]Computer Science [cs]/Modeling and Simulation, Neuroscience
Abstract: Sensorimotor learning refers to the acquisition of motor skills by an individual, guided by sensory perception, for instance, learning to speak. Human speech acquisition is rather similar to vocal learning by songbirds. Hence, we use songbirds to study the neural circuitry underlying sensorimotor learning. We build computational models to explore the utility of parallel cortical and subcortical pathways that govern song acquisition, and investigate the interplay between functional and structural plasticity within this circuitry. Inspired from the vocal learning behaviour, we look at biologically plausible mechanisms to optimise sensorimotor learning. We investigate the neural correlates of reinforcement learning contributing to vocal learning by observing the neural activity in the song system of male zebra finches. By using both theoretical and experimental approaches of neuroscience, we hope to advance our understanding of vocal learning, and, in general, sensorimotor learning.; L’apprentissage sensorimoteur est l’acquisition d’aptitudes motrices par un individu, guidée par la perception sensorielle, comme l’acquisition de la parole chez l’homme et les oiseaux chanteurs. Nous utilisons les oiseaux chanteurs pour étudier les circuits neuronaux qui soutiennent l’apprentissage sensorimoteur. Nous créons des modèles informatiques pour explorer l’utilité des voies corticales et sous-corticales parallèles qui régissent l’acquisition du chant, et nous étudions l’interaction entre la plasticité fonctionnelle et structurelle dans ces circuits. Inspirés par le comportement d’apprentissage vocal, nous étudions les mécanismes biologiquement plausibles pour optimiser l’apprentissage sensorimoteur. Nous étudions les corrélats neuraux de l’apprentissage par renforcement contribuant à l’apprentissage vocal en observant l’activité neuronale dans le système de chant. En utilisant les approches théoriques et expérimentales, nous espérons mieux comprendre l’apprentissage sensorimoteur.
Published: 2022

25. Représentation du niveau de croyance en lien avec la notion d’aléa

Author: Viéville, Thierry, Mercier, Chloé, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Inria & Labri, Univ. Bordeaux, and AEx AIDE
Subjects: Représentation du hasard, [SCCO.NEUR]Cognitive science/Neuroscience, Modal Logic, Representation of Randomness, Possibility Theory, Théorie des possibilités, Logique modale, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: In this technical note, we develop a belief representation that generalizes the vanillapossibility theory, extending it to a bi-dimensional representation where randomness is taken intoaccount. This way, we revisit and extend the usual quantitative implementation of belief level.We state the basic requirements and discuss the difference with the vanilla possibility theorybefore investigating the compatibility with Boolean and Kleene’s three-valued logic calculus. Wethen relate this representation to the probability theory, based on the assumption that necessityand possibility provide bounds for probability values, and finally discuss how to define a relevantprojection of real values onto an admissible representation.This provides the basic ingredients to implement such extension of belief representation in existingmechanisms using the basic representation. The operational part of this development is availableas open-source code.; Dans cette note technique, nous développons une représentation de la notionde niveau de croyance qui généralise la théorie des possibilités standard, en l’étendant à unereprésentation bidimensionnelle où l’aléatoire est pris en compte. De cette façon, nous revisitonset étendons l’implémentation numérique habituelle du niveau de croyance.Nous énonçons les contraintes de base et discutons de la différence avec la théorie des pos-sibilités usuelle avant d’étudier la compatibilité avec le calcul logique booléen à trois valeursde Kleene. Nous relions ensuite cette représentation à la théorie des probabilités, basée surl’hypothèse que la nécessité et la possibilité fournissent des bornes pour les valeurs de probabil-ité, et discutons enfin de la manière de définir une projection pertinente des valeurs réelles surune représentation admissible.Cela fournit les ingrédients de base pour mettre en œuvre une telle extension de la représen-tation des croyances dans les mécanismes existants utilisant la représentation de base. La partieopérationnelle de ce développement est disponible en code open-source.
Published: 2022

26. Délibérer avec l'intelligence artificielle au service de l'intelligence naturelle

Author: Alexandre, Frédéric, Viéville, Thierry, Comte, Marie-Hélène, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Inria Learning Lab (ILL), Direction de la Culture et de l’Information Scientifiques (DCIS), Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), AEx AIDE, and Philippe Pédrot, Alain Papaux
Subjects: intelligence artificielle, [SHS.DROIT]Humanities and Social Sciences/Law, neuroscience cognitive, [SHS.EDU]Humanities and Social Sciences/Education, [SCCO.NEUR]Cognitive science/Neuroscience, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: National audience; La numérisation de la société et le traitement automatique de l’information, y compris avec des techniques dites d’intelligence artificielle, induisent des ruptures dans notre façon de penser, calculer et délibérer. Mais comment fonctionnent ces fonctions cognitives et comment peuvent-elles être affectées par cette révolution numérique ? Pour comprendre en profondeur cela, nous allons d’abord prendre le temps d’expliquer ce que nous comprenons aujourd’hui de notre intelligence biologique qui pense, ce qui offrira un éclairage crucial sur ce qui se passe quand on utilise des machines qui calculent, avant de conclure en quoi cela aide à réfléchir sur comment délibérer. Car oser comprendre les aspects scientifiques et techniques de la pensée et du calcul est essentiel pour se donner les moyens de délibérer en toute conscience avec les outils intellectuels et numériques qui nous sont donnés.
Published: 2022

27. Contrôle Biomimétique de Prothèse par réseaux de neurones

Author: Barennes, Tristan, Hinaut, Xavier, Alexandre, Frédéric, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and Alexandre, Frédéric
Subjects: controle application biomédicale prothèse modèle inverse, modèle inverse, controle, application biomédicale, prothèse, [INFO]Computer Science [cs], [INFO] Computer Science [cs]
Abstract: International audience; Ce papier rapporte une expérience d'application d'intelligence artificielle dans le domaine bio-médical. Cette expérience de contrôle d'effecteur est originale car, considérant les caractéristiques de l'application, les approches mathématiques classiques de contrôle ne sont pas applicables et il faut recourir à des techniques de neuro-contrôle où le contrôleur est appris à partir d'exemples. L'application bio-médicale correspond au contrôle de prothèses pour des personnes amputées du bras. La technique de neuro-contrôle correspond à apprendre successivement un modèle direct puis un modèle inverse avec une approche originale d'apprentissage joint. Les données sont acquises et préparées à partir d'une application de réalité virtuelle. Les phases d'entrainement et de test des réseaux montrent un émulateur (modèle direct) de qualité suffisante pour permettre au controleur (modèle inverse) de montrer une erreur inférieure à 0.1%. Ceci reste à valider chez des sujets équipés de prothèse.
Published: 2022

28. Cell to network computational model of the epileptic human hippocampus suggests specific roles of network and channel dysfunctions in the ictal and interictal oscillations

Author: Aussel, Amélie, Ranta, Radu, Aron, Olivier, Colnat-Coulbois, Sophie, Tyvaert, Louise, Maillard, Louis, Buhry, Laure, Centre de Recherche en Automatique de Nancy (CRAN), Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Analysis and modeling of neural systems by a system neuroscience approach (NEUROSYS), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Complex Systems, Artificial Intelligence & Robotics (LORIA - AIS), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and Centre Hospitalier Régional Universitaire de Nancy (CHRU Nancy)
Subjects: computational modeling, [SDV.OT]Life Sciences [q-bio]/Other [q-bio.OT], Sclerosis, realistic anatomy, hippocampus, Cognitive Neuroscience, Models, Neurological, Electroencephalography, Sensory Systems, pathological connectivity, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Cellular and Molecular Neuroscience, Chlorides, Seizures, Potassium, [SDV.MHEP.PHY]Life Sciences [q-bio]/Human health and pathology/Tissues and Organs [q-bio.TO], Humans, epilepsy, [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [INFO.INFO-BI]Computer Science [cs]/Bioinformatics [q-bio.QM], [SPI.SIGNAL]Engineering Sciences [physics]/Signal and Image processing, sleep-wake cycle
Abstract: International audience; The mechanisms underlying the generation of hippocampal epileptic seizures and interictal events and their interactions with the sleep-wake cycle are not yet fully understood. Indeed, medial temporal lobe epilepsy is associated with hippocampal abnormalities both at the neuronal (channelopathies, impaired potassium and chloride dynamics) and network level (neuronal and axonal loss, mossy fiber sprouting), with more frequent seizures during wakefulness compared with slow-wave sleep. In this article, starting from our previous computational modeling work of the hippocampal formation based on realistic topology and synaptic connectivity, we study the role of microand mesoscale pathological conditions of the epileptic hippocampus in the generation and maintenance of seizure-like theta and interictal oscillations. We show, through the simulations of hippocampal activity during slow-wave sleep and wakefulness that: (i) both mossy fiber sprouting and sclerosis account for seizure-like theta activity, (ii) but they have antagonist effects (seizure-like activity occurrence increases with sprouting but decreases with sclerosis), (iii) though impaired potassium and chloride dynamics have little influence on the generation of seizure-like activity, they do play a role on the generation of interictal patterns, and (iv) seizure-like activity and fast ripples are more likely to occur during wakefulness and interictal spikes during sleep.
Published: 2022
Full Text: View/download PDF

29. Multi-view and Cross-view Brain Decoding

Author: Reddy Oota, Subba, Arora, Jashn, Gupta, Manish, Bapi, Raju Surampudi, Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), International Institute of Information Technology, Hyderabad [Hyderabad] (IIIT-H), and Microsoft Research (MSR)
Subjects: [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], [INFO.INFO-CL]Computer Science [cs]/Computation and Language [cs.CL]
Abstract: 11 pages, 10 figures; International audience; Can we build multi-view decoders that can decode concepts from brain recordings corresponding to any view (picture, sentence, word cloud) of stimuli? Can we build a system that can use brain recordings to automatically describe what a subject is watching using keywords or sentences? How about a system that can automatically extract important keywords from sentences that a subject is reading? Previous brain decoding efforts have focused only on single view analysis and hence cannot help us build such systems. As a first step toward building such systems, inspired by Natural Language Processing literature on multi-lingual and cross-lingual modeling, we propose two novel brain decoding setups: (1) multi-view decoding (MVD) and (2) cross-view decoding (CVD). In MVD, the goal is to build an MV decoder that can take brain recordings for any view as input and predict the concept. In CVD, the goal is to train a model which takes brain recordings for one view as input and decodes a semantic vector representation of another view. Specifically, we study practically useful CVD tasks like image captioning, image tagging, keyword extraction, and sentence formation. Our extensive experiments lead to MVD models with ~0.68 average pairwise accuracy across view pairs, and also CVD models with ~0.8 average pairwise accuracy across tasks. Analysis of the contribution of different brain networks reveals exciting cognitive insights: (1) Models trained on picture or sentence view of stimuli are better MV decoders than a model trained on word cloud view. (2) Our extensive analysis across 9 broad regions, 11 language sub-regions and 16 visual sub-regions of the brain help us localize, for the first time, the parts of the brain involved in cross-view tasks like image captioning, image tagging, sentence formation and keyword extraction. We make the code publicly available.
Published: 2022

30. Activité pour apprendre la pensée computationnelle en mode branché et débranché

Author: Margarida ROMERO, Thierry Viéville, Marie Duflot-Kremer, Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Modeling and Verification of Distributed Algorithms and Systems (VERIDIS), Max-Planck-Institut für Informatik (MPII), Max-Planck-Gesellschaft-Max-Planck-Gesellschaft-Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Formal Methods (LORIA - FM), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Proof-oriented development of computer-based systems (MOSEL), Department of Formal Methods (LORIA - FM), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), UCA - INSPE Académie de Nice, and MSc - SmartEdtech
Subjects: Unplugged activity, [SHS.EDU]Humanities and Social Sciences/Education, [INFO.INFO-GL]Computer Science [cs]/General Literature [cs.GL], Computational thinkink, Pedagogical robotics
Abstract: The introduction of computing into schools can drive the development of computational thinking along with associated problem-solving skills. In this context we look at the different types of activities used to learn computing, with the aim of establishing a protocol to compare plugged and unplugged activities at school, and more specifically to see how effectively unplugged activities can be used for skills transfer in order to learn computing.
Published: 2022

31. VISPY, A Modern and Interactive Scientific Visualisation

Author: Campagnola, Luke, Klein, Almar, Rossant, Cyrille, Rougier, Nicolas, Neurobiology Curriculum, UNC School of Medicine, University of Twente, Audition (Psychophysique, Modélisation, Neurosciences) (APMN), Laboratoire des systèmes perceptifs (LSP), Département d'Etudes Cognitives - ENS Paris (DEC), École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS)-Département d'Etudes Cognitives - ENS Paris (DEC), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), University of Twente [Netherlands], Audition (Psychophysique, Modélisation, Neurosciences) ( APMN ), Laboratoire des systèmes perceptifs, Département d'Etudes Cognitives - ENS Paris ( DEC ), École normale supérieure - Paris ( ENS Paris ) -École normale supérieure - Paris ( ENS Paris ) -Centre National de la Recherche Scientifique ( CNRS ) -Département d'Etudes Cognitives - ENS Paris ( DEC ), École normale supérieure - Paris ( ENS Paris ) -École normale supérieure - Paris ( ENS Paris ) -Centre National de la Recherche Scientifique ( CNRS ), Mnemonic Synergy ( Mnemosyne ), Laboratoire Bordelais de Recherche en Informatique ( LaBRI ), Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2-Centre National de la Recherche Scientifique ( CNRS ) -École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université Sciences et Technologies - Bordeaux 1-Université Bordeaux Segalen - Bordeaux 2-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut des Maladies Neurodégénératives [Bordeaux] ( IMN ), Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ) -Université de Bordeaux ( UB ) -Centre National de la Recherche Scientifique ( CNRS ), École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-École normale supérieure - Paris (ENS Paris), and Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Inria Bordeaux - Sud-Ouest
Subjects: [INFO.INFO-MC]Computer Science [cs]/Mobile Computing, [ INFO.INFO-MC ] Computer Science [cs]/Mobile Computing, [INFO.INFO-OH]Computer Science [cs]/Other [cs.OH], [INFO.INFO-DS]Computer Science [cs]/Data Structures and Algorithms [cs.DS], [ INFO.INFO-OH ] Computer Science [cs]/Other [cs.OH], [ INFO.INFO-GR ] Computer Science [cs]/Graphics [cs.GR], [ INFO.INFO-DS ] Computer Science [cs]/Data Structures and Algorithms [cs.DS], [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR]
Abstract: International audience; Whereas the availability of data increases exponentially fast, the current visualization tools available today in Python do not scale gracefully to big data. The major plotting library in Python is Matplotlib and is more focused on the generation of static publication-ready figures than interactive visualization. These are really two different, and nearly orthogonal goals. For the former, high display quality is the major objective, whereas speed and reactivity is much more important for the latter. Matplotlib can be used for interactive visualization, but it has not been primarily designed for this. Consequently, the frame rate tends to be low on medium-size data sets, and million-points data sets can not be decently visualized in this way. Our goal is thus to create the foundations for the next-generation interactive visualization software in Python.
Published: 2013

32. An Ontology to Formalize a Creative Problem Solving Activity

Author: Chloé Mercier, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and AEx AIDE
Subjects: Computational Thinking, [SCCO]Cognitive science, Artificial Intelligence, Ontology, Cognitive Neuroscience, [SHS.EDU]Humanities and Social Sciences/Education, [SCCO.COMP]Cognitive science/Computer science, Learning Science, Software, Problem Solving
Abstract: International audience; Our study is set in an educational context: to better teach and assess twenty-first century skills, such as computational thinking or creative problem solving, we propose to formalize a specific activity that involves these competencies. This activity, referred to as #CreaCube, is presented as an open-ended problem which consists of assembling a set of robotic cubes into an autonomous vehicle. We not only anchor our formalization in classical learning science frameworks but we also propose to draw on neuro-cognitive models to describe the observed behaviors of learners engaged in this activity. The chosen formalism is symbolic and is aligned on upper ontologies to ensure that the vocabulary is well specified. This allows for a better communication between the summoned research fields, namely learning science, cognitive neuroscience and computational modeling. Beyond this specification purpose, we suggest performing inferences using available reasoners to better guide the analysis of the observables collected during the experiments. This operationalization of a creative problem-solving activity is part of an exploratory research action. In addition, an effective proof of concept is described in this study.
Published: 2022
Full Text: View/download PDF

33. Create Efficient and Complex Reservoir Computing Architectures with ReservoirPy

Author: Trouvain, Nathan, Rougier, Nicolas, Hinaut, Xavier, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and Hinaut, Xavier
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [INFO.INFO-NE] Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], Offline Learning, Echo State Network, [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], Reservoir Computing, [STAT.ML] Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Online Learning, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [SDV.NEU] Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], Toolbox, Recurrent Neural Networks, Python
Abstract: International audience; Reservoir Computing (RC) is a type of recurrent neural network (RNNs) where learning is restricted to the output weights. RCs are often considered as temporal Support Vector Machines (SVMs) for the way they project inputs onto dynamic non-linear high-dimensional representations. This paradigm, mainly represented by Echo State Networks (ESNs), has been successfully applied on a wide variety of tasks, from time series forecasting to sequence generation. They offer de facto a fast, simple yet efficient way to train RNNs. We present in this paper a library that facilitates the creation of RC architectures, from simplest to most complex, based on the Python scientific stack (NumPy, Scipy). This library offers memory and time efficient implementations for both online and offline training paradigms, such as FORCE learning or parallel ridge regression. The flexibility of the API allows to quickly design ESNs including re-usable and customizable components. It enables to build models such as DeepESNs as well as other advanced architectures with complex connectivity between multiple reservoirs with feedback loops. Extensive documentation and tutorials both for newcomers and experts are provided through GitHub and ReadTheDocs websites. The paper introduces the main concepts supporting the library, illustrated with code examples covering popular RC techniques from the literature. We argue that such flexible dedicated library will ease the creation of more advanced architectures while guarantying their correct implementation and reproducibility across the RC community.
Published: 2022

34. Multi-task learning with modular reinforcement learning

Author: Xue, Jianyong, Alexandre, Frédéric, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), and Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS)
Subjects: Modular reinforcement learning, Incomparable reward scale, Multi-task learning, [INFO]Computer Science [cs], Model-based reinforcement learning, [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], Compositionality policy
Abstract: International audience; The ability to learn compositional strategies in multi-task learning and to exert them appropriately is crucial to the development of artificial intelligence. However, there exist several challenges: (i) how to maintain the independence of modules in learning their own sub-tasks; (ii) how to avoid performance degradation in situations where modules' reward scales are incompatible; (iii) how to find the optimal composite policy for the entire set of tasks. In this paper, we introduce a Modular Reinforcement Learning (MRL) framework that coordinates the competition and the cooperation between separate modules. A selective update mechanism enables the learning system to align incomparable reward scales in different modules. Furthermore, the learning system follows a "joint policy" to calculate actions' preferences combined with their responsibility for the current task. We evaluate the effectiveness of our approach on a classic food-gathering and predator-avoidance task. Results show that our approach has better performance than previous MRL methods in learning separate strategies for sub-tasks, is robust to modules with incomparable reward scales, and maintains the independence of the learning in each module.
Published: 2022

35. Dual pathway architecture underlying vocal learning in songbirds

Author: Remya Sankar, Arthur Leblois, Nicolas P. Rougier, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS), Centre National de la Recherche Scientifique (CNRS), This work was partially funded by grant ANR-17-CE24-0036 and ANR-16-CE37-0020-01., ANR-17-CE24-0036,SOMA,Auto-organisation dans les architectures matérielles neuromorphiques(2017), and ANR-16-CE37-0020,VocaLearn,Circuits et fonctions du cervelet dans l'apprentissage vocal(2016)
Subjects: reinforcement learning, sensorimotor learning, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], birdsong, [SCCO.NEUR]Cognitive science/Neuroscience, simulated annealing
Abstract: Song acquisition and production in songbirds is governed by a dedicated neural circuitry that involves two parallel pathways: a motor pathway for the production and a basal ganglia (BG) pathway for the acquisition. Juveniles learn by imitating adult vocalizations and proceed by trial and error, errors being conveyed by a dopaminergic signal. The complex nature of the relationship between neural control and syrinx musculature makes song learning a complicated problem to solve. Reinforcement learning (RL) has been widely hypothesized to underlie such sensorimotor learning even though this can lead to sub-optimal solutions under uneven contours in continuous action spaces. In this article, we propose to re-interpret the role of a dual pathway architecture, underlying avian vocal learning, that helps overcome these limitations. We posit that the BG pathway conducts exploration by inducing large daily shifts in the vocal production while the motor pathway gradually consolidates this exploration. This process can be understood as a modified form of a simulated annealing process. Simulations on Gaussian performance landscapes and a syrinx-based performance landscape are demonstrated and compared with standard approaches. Taking behavioral constraints into account (60 days of learning, 1000 trials per day), the model allows to reach the global optimum in complex landscapes and thus provides a sound insight into the role of the dual pathway architecture underlying vocal learning.
Published: 2022
Full Text: View/download PDF

36. ReservoirPy: Efficient Training of Recurrent Neural Networks for Timeseries Processing

Author: Hinaut, Xavier, Trouvain, Nathan, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Inria ADT Scikit-ESN, ANR-21-CE23-0009,DeepPool,Réservoirs Profonds pour le Traitement et la Production du Langage(2021), Hinaut, Xavier, and Réservoirs Profonds pour le Traitement et la Production du Langage - - DeepPool2021 - ANR-21-CE23-0009 - AAPG2021 - VALID
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-NE] Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], [SDV.NEU] Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], [STAT.ML] Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; ReservoirPy is a simple user-friendly library based on Python scientific modules. It provides a flexible interface to implement efficient Reservoir Computing (RC) [2] architectures with a particular focus on Echo State Networks (ESN) [1]. Advanced features of ReservoirPy allow to improve computation time efficiency on a simple laptop compared to basic Python implementation. Some of its features are: offline and online training, parallel implementation, sparse matrix computation, fast spectral initialization, advanced learning rules (e.g. Intrinsic Plasticity) etc. It also makes possible to easily create complex architectures with multiple reservoirs (e.g. deep reservoirs), readouts, and complex feedback loops. Moreover, graphical tools are included to easily explore hyperparameters with the help of the hyperopt library. It includes several tutorials exploring exotic architectures and examples of scientific papers reproduction.
Published: 2022

37. Long Short-Term Memory of Language Models for Predicting Brain Activation During Listening to Stories

Author: Reddy Oota, Subba, Alexandre, Frederic, Hinaut, Xavier, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and Hinaut, Xavier
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], ELMo, Transformer, fMRI, [INFO.INFO-NE] Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], Brain Encoding, [STAT.ML] Statistics [stat]/Machine Learning [stat.ML], Longformer, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Linear Mapping, [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [SDV.NEU] Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], LSTM
Abstract: International audience; Several popular sequence-based and pretrained language models have been found to be successful for text-driven prediction of brain activations. However, these models still lack longterm memory plausibility (i.e. how they deal with long-term dependencies and contextual information) as well as insights on the underlying neural substrate mechanisms. This paper studies the influence of context representations of different language models such as sequence-based models: Long Short-Term Memory networks (LSTMs) and ELMo, and a pretrained Transformer language model (Longformer). In particular, we study how the internal hidden representations align with the brain activity observed via fMRI when the subjects listen to several narrative stories. We use brain imaging recordings of subjects listening to narrative stories to interpret word and sequence embeddings. We further investigate how the representations of language models layers reveal better semantic context during listening. Experiments across all language model representations provide the following cognitive insights: (i) the representations of LSTM cell states are better aligned with brain recordings than LSTM hidden states, the cell state activity can represent more long-term information, (ii) the representations of ELMo and Longformer display a good predictive performance across brain regions for listening stimuli; (iii) Posterior Medial Cortex (PMC), Temporo-Parieto-Occipital junction (TPOJ), and Dorsal Frontal Lobe (DFL) have higher correlation versus Early Auditory (EAC) and Auditory Association Cortex (AAC).
Published: 2022

38. Investigating Long-Term Context of Language Models on Brain Activity during Narrative Listening in fMRI

Author: Reddy Oota, Subba, Alexandre, Frédéric, Hinaut, Xavier, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Inria CORDI-S PhD grant, ANR-21-CE23-0009,DeepPool,Réservoirs Profonds pour le Traitement et la Production du Langage(2021), Hinaut, Xavier, and Réservoirs Profonds pour le Traitement et la Production du Langage - - DeepPool2021 - ANR-21-CE23-0009 - AAPG2021 - VALID
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-NE] Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [SDV.NEU] Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], [SCCO.LING] Cognitive science/Linguistics, [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], [SCCO.LING]Cognitive science/Linguistics, [STAT.ML] Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; An interesting way to evaluate the representations obtained with machine learning language models is to compared them with human brain recordings. Encoding models have been used to partially predict fMRI recordings of different areas given the features of language models (such as Transformers). However, these models still lack long-term cognitive plausibility as well as insights on the underlying neural substrate mechanisms: e.g. how their representations differ across model layer depth and longer contexts. We study the influence of context representations of different language models such as sequence-based models: Long short-term memory networks (LSTMs), ELMo, and a popular pretrained Transformer language model (Longformer). In particular, we study how the internal hidden representations of such models are aligned with the fMRI brain activity. We use fMRI recordings of subjects listening to narrative stories to interpret word and sequence embedding representations. We further investigate how the representations of language model layers reveal better semantic context during listening. One of the novelties is that we look at several hidden states of LSTMs: cell and output gate states. Our computational experiments provide the following cognitive insights: (i) LSTM cell states are better aligned with brain recordings than LSTM output gate states: the cell state activity can represent more long- term information; (ii) the representations of ELMo and Longformer display a good predictive performance across brain regions for listening stimuli; (iii) Posterior Medial Cortex (PMC), Temporo-Parieto-Occipital junction (TPOJ) and Dorsal Frontal Lobe (DFL) have higher correlation versus Early Auditory (EAC) and Auditory Association Cortex (AAC).
Published: 2022

39. Modélisation des interactions préfrontal-hippocampique pour l'apprentissage contextuel controllé à l'aide de réseaux de neurones artificiels

Author: Chateau-Laurent, Hugo, Alexandre, Frédéric, Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), and Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS)
Subjects: Modeling, [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], Prefrontal cortex, Hippocampus, Reinforcement Learning, Cognitive Control, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience
Published: 2022

40. A hybrid computational model of the hippocampal formation to replicate theta-nested gamma oscillations and theta phase reset during neurostimulation

Author: Vardalakis, Nikolaos, Andriantsoamberomanga, Maeva, Gupta, Ankur, Aussel, Amélie, Rougier, Nicolas, Wagner, Fabien, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Institut des Maladies Neurodégénératives [Bordeaux] (IMN), and Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)
Subjects: Computational model, [SCCO.NEUR]Cognitive science/Neuroscience, [INFO]Computer Science [cs], Hippocampus, Entorhinal cortex
Abstract: International audience; Theta and gamma oscillations in the hippocampal formation play a crucial role in memory processes and are disrupted in several neurological disorders. Recently, electrical neurostimulation of the human entorhinal area has been shown to enhance memory encoding, but the underlying mechanisms need to be investigated. Here, we aimed to validate the hypothesis that neurostimulation entrains theta-gamma oscillations and induces phase reset of theta oscillations, through a novel hybrid computational model that replicates both theta-gamma hippocampal oscillations and theta phase reset.Specifically, we used an existing biophysically realistic model of the hippocampal formation able to generate theta-nested gamma oscillations, and interfaced it with abstract Kuramoto oscillators that dynamically generate theta oscillations and theta phase reset. Biophysically realistic neurons were modeled using the Hodgkin-Huxley formalism and connected based on anatomical data from the literature. The set of Kuramoto oscillators had reciprocal connections with the CA1 field of the hippocampus and was meant as an abstract representation of the generation of hippocampal theta, which is thought to originate mainly from the medial septum. Our model replicates both theta-nested gamma oscillations and theta phase reset, and can be used to probe the effects of different neurostimulation protocols on theta and gamma oscillations and their couplings. In particular, we show that neurostimulation pulses delivered in-phase with the underlying theta rhythm can rescue impaired oscillations caused by changes in the model parameters that reflect pathophysiological circuit alterations. Overall, our novel computational framework opens new avenues for studying the effects of neurostimulation on hippocampal circuits.
Published: 2022

41. A global framework for a systemic view of brain modeling

Author: Alexandre, Frédéric, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest
Subjects: Brain modeling, lcsh:Computer software, lcsh:QA76.75-76.765, Memory system, Research, lcsh:R858-859.7, [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], lcsh:Computer applications to medicine. Medical informatics, Cognitive functions
Abstract: Background: The brain is a complex system, due to the heterogeneity of its structure, the diversity of the functions in which it participates and to its reciprocal relationships with the body and the environment. Researchers in cognitive computational neuroscience generally focused on one specific task, lack this global view and a clear understanding of how their model is inserted in a global cognitive architecture. A systemic description of the brain is presented here, as a general framework where specific models in computational neuroscience can be integrated and associated with global information flows and cognitive functions. Results: In an enactive view, this framework integrates the fundamental organization of the brain in sensorimotor loops with the internal and the external worlds, answering four fundamental questions (what, why, where and how). Our survival-oriented definition of behavior gives a prominent role to pavlovian and instrumental conditioning, augmented during phylogeny by the specific contribution of other kinds of learning, related to semantic memory in the posterior cortex, episodic memory in the hippocampus and working memory in the frontal cortex. Conclusions: This framework highlights that responses can be prepared in different ways, from pavlovian reflexes and habitual behavior to deliberations for goal-directed planning and reasoning, and explains that these different kinds of responses coexist, collaborate and compete for the control of behavior. It also lays emphasis on the fact that cognition can be described as a dynamical system of interacting memories, some acting to provide information to others, to replace them when they are not efficient enough, or to help for their improvement. Describing the brain as an architecture of learning systems has also strong implications in Machine Learning. Our biologically informed view of pavlovian and instrumental conditioning can be very precious to revisit classical Reinforcement Learning and provide a basis to ensure really autonomous learning.
Published: 2021
Full Text: View/download PDF

42. reservoirpy: A Simple and Flexible Reservoir Computing Tool in Python

Author: Trouvain, Nathan, Hinaut, Xavier, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Inria ADT engineer grant, ANR-21-CE23-0009,DeepPool,Réservoirs Profonds pour le Traitement et la Production du Langage(2021), Hinaut, Xavier, and Réservoirs Profonds pour le Traitement et la Production du Langage - - DeepPool2021 - ANR-21-CE23-0009 - AAPG2021 - VALID
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [INFO.INFO-NE] Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], Offline Learning, [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], Reservoir Computing, [STAT.ML] Statistics [stat]/Machine Learning [stat.ML], Echo State Networks, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Machine Learning, Online Learning, [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], Recurrent Neural Networks, Python
Abstract: This paper presents reservoirpy, a Python library for Reservoir Computing (RC) models design and training, with a particular focus on Echo State Networks (ESNs). The library contains basic building blocks for a large variety of recurrent neural networks defined within the field of RC, along with both offline and online learning rules. Advanced features of the library enable compositions of RC building blocks to create complex "deep" models, delayed connections between these blocks to convey feedback signals, and empower users to create their own recurrent operators or neuronal connections topology. This tool is solely based on Python standard scientific packages such as numpy and scipy. It improves RC time efficiency with parallelism using joblib package, making it accessible to a large academic or industrial audience even with a low computational budget. Source code, tutorials and examples from the RC literature can be found at https://github.com/reservoirpy/reservoirpy while documentation can be found at https://reservoirpy.readthedocs.io/en/latest/?badge=latest
Published: 2022

43. Multimodal learning analytics for studying creative problem-solving with modular robotics

Author: Palaude, Axel, Romero, Margarida, Viéville, Thierry, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Inria & Labri, Université Bordeaux, AEx AIDE, and ANR-18-CE38-0001,CreaMaker,#CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker(2018)
Subjects: learning analytics, creative problem solving, data collection, educational robotics, collecte de données, [SCCO.NEUR]Cognitive science/Neuroscience, [SHS.EDU]Humanities and Social Sciences/Education, analyse de l'apprentissage, robotique éducative, résolution créative de problème, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: Creative problem solving is a complex process that is being studied through a diversity of tasks. CreaCube is an open ill-defined task whereby the player is required to engage in a creative problem-solving activity (Romero et al., 2017) that we try to analyze with computational models (Alexandre, 2020a). To represent the behavior of the subject through the activity evolution, we analyze the activity through a coding schema considering the observables for this tangible problem solving activity. Observables correspond to different states of the artifact of behaviors of the participant at a given time. In this study we introduce the learning analytic strategy corresponding to a temporal sequence of observables. Through this sequence we aim to infer the participants’ internal state based on a different sequence of observables.Through this study we aim to advance in the learning analytics strategy of a tangible problem-solving task with educational robotics. Our main goal is to be able to both collect data more easily, avoiding as much as possible the manual analysis of the video recording of the activity, and propose enriched observables. To this end, we refined the observables’ model as detailed in (Mercier et al., 2021) and added new observables and decomposed existing ones into more specific ones based on the learner and task model. We distinguished observables with automatable data collection and those which require manual identification. In the end we discuss the relevance of this new version of CreaCube by discussing to what extent it offers additions to actual data analysis and ongoing research on this subject.; La résolution créative de problèmes est un processus complexe mis à l’étude via une grande variété de tâches. CreaCube est une tâche ouverte et mal-définie par laquelle une personne est engagée dans une activité de résolution créative de problème (Romero et al., 2017) que nous essayons de représenter et d’analyser avec des modèles informatiques (Alexandre, 2020a). Afin de représenter le comportement de la personne engagée dans l’activité, nous analysons le déroulement de celle-ci à travers un codage comportant différentes données nommées observables. Les observables correspondent aux différents états des artefacts observables lors de l’activité (comportements, émotions, matériel) à un moment donné. Dans cette étude, nos données d’apprentissage correspondent à des séquences d’ensembles d'observables. Via ces séquences, nous espérons pouvoir inférer l’état interne d’une personne engagée dans l’activité à partir de la séquence d’observables lui étant associée. Via cette étude, nous visons un approfondissement d’une stratégie d’analyse d’apprentissage pour CreaCube, une tâche de résolution de problème tangible avec de la robotique éducative. Notre objectif principal est d’être capable à la fois de collecter plus simplement et rapidement des données sur le déroulement de l’activité, en évitant autant que possible le recours à l’analyse manuelle des enregistrements vidéo de l’activité, et de proposer un nouveau cadre d’observables plus riche. Pour cela, nous proposons d’affiner le modèle des observables détaillé dans (Mercier et al., 2021) et d’ajouter de nouvelles observables relatives à l’évolution de la tâche extérieure à la personne engagée. Nous proposons également une distinction entre les observables dont la collecte lors des expériences peut être automatisée et celles dont la collecte requiert une identification manuelle. Enfin, nous discutons de la pertinence et de la faisabilité de ces changements en réfléchissant à une nouvelle version de CreaCube et ce qu’elle peut offrir de plus aux analyses sur les données actuellement menées sur le sujet.
Published: 2022

44. Un espace de formation francophone dédié à l'apprentissage de l'informatique

Author: Comte, Marie-Hélène, Fourny, Maxime, Geeraerts, Gilles, Goletti, Olivier, Hoarau, Sébastien, Juton, Anthony, Khaneboubi, Mehdi, Lagarrigue, Aurelie, Lelievre-Osswald, Tessa, Marangozova-Martin, Vania, Massart, Thierry, Poulmaire, Charles, Prince, Violaine, Roche, David, Viéville, Thierry, Vincent, Jean-Marc, Inria Learning Lab (ILL), Inria Siège, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Académie de Besançon, Département d'Informatique [Bruxelles] (ULB), Faculté des Sciences [Bruxelles] (ULB), Université libre de Bruxelles (ULB)-Université libre de Bruxelles (ULB), Université Catholique de Louvain = Catholic University of Louvain (UCL), Université de La Réunion - Faculté des Sciences et Technologies (FST), Université de La Réunion (UR), École normale supérieure - Cachan (ENS Cachan), Université Paris-Est Créteil Val-de-Marne - Faculté des lettres, langues et sciences humaines (UPEC LLSH), Université Paris-Est Créteil Val-de-Marne - Paris 12 (UPEC UP12), Académie de Versailles, Université Grenoble Alpes - UFR Informatique et Mathématiques Appliquées (UGA UFR IMAG), Université Grenoble Alpes (UGA), Mémoires - Université de Montpellier - Faculté des sciences (UM FS), Université de Montpellier (UM), Académie de Grenoble, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), European Project: CAI, Viéville, Thierry, Erasmus+ Communauté d'Apprentissage de l'Informatique - CAI - INCOMING, Direction de la Culture et de l’Information Scientifiques (DCIS), Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Inria Siège, and Université Grenoble Alpes - UFR Informatique, mathématiques et mathématiques appliquées (UGA UFR IM2AG)
Subjects: Communauté d’Apprentissage, [INFO.EIAH] Computer Science [cs]/Technology for Human Learning, Communauté de Pratiques, [SHS.EDU]Humanities and Social Sciences/Education, [SHS.EDU] Humanities and Social Sciences/Education, Enseignement de l’informatique, Apprentissage de l’informatique, [INFO.EIAH]Computer Science [cs]/Technology for Human Learning
Abstract: National audience; L’introduction de l’enseignement de l’informatique au lycée va permettre aux prochaines générations de maîtriser et participer au développement du numérique. Le principal enjeu est alors la formation des enseignantes et des enseignants. Comment relever un tel défi ?D’abord en faisant communauté d’apprentissage et de pratique : depuis des semaines déjà en 2021 l’AEIF et le projet CAI contribuent à l’accueil et l’entraide de centaines de collègues en activité ou en formation, discutant de tous les sujets, partageant des ressources sur un forum dédié et des listes de discussions.Puis, depuis début 2022, en offrant deux formations en ligne :- Une formation aux fondamentaux de l’informatique, avec un ordre de grandeur de 200 heures de travail, avec les ressources de formation d’initiation et de perfectionnement. Plus qu’un simple "MOOC", ce sont les ressources d’une formation complète, et un accompagnement prévu pour permettre de bien les utiliser.- Une formation pour apprendre à enseigner… par la pratique, en co-préparant les activités pédagogiques des cours à venir, en partageant des pratiques didactiques et en prenant un recul pédagogique, y compris du point de vue de la pédagogie de l’égalité.Les personnes désireuses de se préparer au CAPES y trouveront aussi des conseils et des pistes de travail.Si vous n’avez pas envie d’être seul·e relativement à cet enseignement de l’informatique et être accompagné dans les trois ans qui viennent, passez nous voir ce jour-là.
Published: 2022

45. The role of cognitive processes in creative problem solving: a computational approach

Author: Alexandre, Frédéric, Mercier, Chloé, Palaude, Axel, Romero, Margarida, Viéville, Thierry, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), AEx AIDE, and ANR-18-CE38-0001,CreaMaker,#CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker(2018)
Subjects: problem solving, [SCCO.NEUR]Cognitive science/Neuroscience, [SHS.EDU]Humanities and Social Sciences/Education, learning science, creativity, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Creativity, a phenomenon whereby something new and valuable is formed by a subject in a given context, plays a critical role in specific phases of learning activities. Here, we aim at analyzing creativity in the precise context of ill-defined problem-solving tasks, as it can be experienced during learning activities. This study aims to contribute to a better understanding of creativity within ill-defined creative problem-solving (CPS) tasks, including complex problem solving, through a multi-disciplinary approach using computational and neuro-cognitive formalisms. This approach allows us to propose a multi-factor theoretical description of such cognitive human activities. Based on this, we aim to operationalize a computational framework of creative processes during CPS learning tasks. We focus on an ill-defined CPS task performed by a unique learner, while even in this case sociocultural perspectives have to be considered to model prior knowledge and situational awareness aspects..
Published: 2022

46. Neural Language Taskonomy: Which NLP Tasks are the most Predictive of fMRI Brain Activity?

Author: Subba Reddy Oota, Jashn Arora, Veeral Agarwal, Mounika Marreddy, Manish Gupta, Bapi Surampudi, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), International Institute of Information Technology, Hyderabad [Hyderabad] (IIIT-H), and Microsoft Research (MSR)
Subjects: FOS: Computer and information sciences, Computer Science - Machine Learning, Artificial Intelligence (cs.AI), Computer Science - Computation and Language, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], Computer Science - Artificial Intelligence, FOS: Biological sciences, Quantitative Biology - Neurons and Cognition, Neurons and Cognition (q-bio.NC), [INFO]Computer Science [cs], Computation and Language (cs.CL), [INFO.INFO-CL]Computer Science [cs]/Computation and Language [cs.CL], Machine Learning (cs.LG)
Abstract: Several popular Transformer based language models have been found to be successful for text-driven brain encoding. However, existing literature leverages only pretrained text Transformer models and has not explored the efficacy of task-specific learned Transformer representations. In this work, we explore transfer learning from representations learned for ten popular natural language processing tasks (two syntactic and eight semantic) for predicting brain responses from two diverse datasets: Pereira (subjects reading sentences from paragraphs) and Narratives (subjects listening to the spoken stories). Encoding models based on task features are used to predict activity in different regions across the whole brain. Features from coreference resolution, NER, and shallow syntax parsing explain greater variance for the reading activity. On the other hand, for the listening activity, tasks such as paraphrase generation, summarization, and natural language inference show better encoding performance. Experiments across all 10 task representations provide the following cognitive insights: (i) language left hemisphere has higher predictive brain activity versus language right hemisphere, (ii) posterior medial cortex, temporo-parieto-occipital junction, dorsal frontal lobe have higher correlation versus early auditory and auditory association cortex, (iii) syntactic and semantic tasks display a good predictive performance across brain regions for reading and listening stimuli resp., 18 pages, 18 figures
Published: 2022
Full Text: View/download PDF

47. De CreaCube à EscapeCube : une tentative d’ajout de capteurs internes pour permettre une collecte de données automatique

Author: Palaude, Axel, Bannay, Lucie, Bernard, Baptiste, Viéville, Thierry, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Ecole Nationale Supérieure de Cognitique (ENSC), Institut Polytechnique de Bordeaux, Ecole Nationale Supérieure d'Electronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB), École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB), Inria & Labri, Université de Bordeaux, AEx AIDE, ANR-18-CE38-0001,CreaMaker,#CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker(2018), Palaude, Axel, and #CreaMaker: évaluation de la co-créativité dans une activité de fabrication physico-numérique de type maker - - CreaMaker2018 - ANR-18-CE38-0001 - AAPG2018 - VALID
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], learning analytics, eduational robotics, data collection, collecte de données, creative problem-solving, [SHS.EDU]Humanities and Social Sciences/Education, [SCCO.NEUR]Cognitive science/Neuroscience, [SHS.EDU] Humanities and Social Sciences/Education, [SCCO.NEUR] Cognitive science/Neuroscience, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], analyse de l'apprentissage, robotique éducative, résolution créative de problème
Abstract: CreaCube is a problem solving activity requiring both computational thinking and creative problem-solving, in which the subject tries to assemble four cubes into one structure with a specific performance. We made the assumption that device-related observables such as cubes position evolution in space may be used to automatically determine subject-related observables which can then be interpreted in relation to certain behaviors or emotions. This article details the design of new material for the CreaCube activity in order to create a new set of modular robotic cubes. This paper describes the analysis developed, step-by-step, and what pitfalls and failures we faced during the analysis of the requirements for developing new modular cubes. The goal of developing a new set of robotic cubes aims to facilitate automatic data collection but also to ensure a large diffusion of the task to collect more data automatically. First, the analysis of existing Human Robot Interactions (HRI) within the CreaCube task is developed through UML charts based on the instructions of the task and the anticipation of the HRI. Second, we discussed the physical elements of the new set of cubes, aiming at an easy open-source manufacturing for anyone interested in activities for the development of computational thinking. Third, we implemented a conditional statement algorithm trying to automatically collect device-related observables despite an unknown set of unpredicted but possible behaviors., CreaCube est une activité de résolution de problème qui requiert à la fois un recours à la pensée informatique et à la résolution de problème créatif, lors de laquelle le sujet doit assembler quatre cubes en une seule structure avec une propriété de mouvement. Nous avons fait l’hypothèse que les observables relatifs à l’état du support physique comme l’évolution de la position des cubes dans l’espace pourraient être utilisés pour déterminer automatiquement les observables relatifs au sujet comme les comportements ou les émotions. Ce rapport détaille le développement d’une nouvelle version de CreaCube. Il décrit pas à pas les étapes mises en place pour ce développement, en détaillant les différents obstacles qui se sont posés durant celui-ci. L’objectif est de développer un nouvel ensemble de cubes robotiques permettant de faciliter la collecte automatique des données. L’analyse de l’interaction homme-machine (IHM) de la tâche CreaCube est développée à travers des schémas UML basés sur les instructions de la tâche et l’anticipation de l’IHM. Ensuite, nous discutons des éléments physiques de nouveaux cubes, en visant une production facile et open-source pour un accès facilité pour une large diffusion de la tâche pour quiconque est intéressé dans le développement de la pensée informatique. Enfin, nous implémentons un algorithme conditionnel afin de déduire les observables relatifs au support à partir des données collectées par les nouveaux cubes, malgré un ensemble de conditions non exhaustif.
Published: 2022

48. Visio-Linguistic Brain Encoding

Author: Reddy Oota, Subba, Arora, Jashn, Rowtula, Vijay, Gupta, Manish, Bapi, Raju S., Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS), Mnemonic Synergy (Mnemosyne), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), International Institute of Information Technology, Hyderabad [Hyderabad] (IIIT-H), and Microsoft Research (MSR)
Subjects: FOS: Computer and information sciences, Computer Science - Machine Learning, Computer Science - Computation and Language, Computer Science - Artificial Intelligence, Computer Vision and Pattern Recognition (cs.CV), Computer Science - Computer Vision and Pattern Recognition, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], [INFO.INFO-CL]Computer Science [cs]/Computation and Language [cs.CL], Machine Learning (cs.LG), Artificial Intelligence (cs.AI), FOS: Biological sciences, Quantitative Biology - Neurons and Cognition, Neurons and Cognition (q-bio.NC), Computation and Language (cs.CL)
Abstract: Enabling effective brain-computer interfaces requires understanding how the human brain encodes stimuli across modalities such as visual, language (or text), etc. Brain encoding aims at constructing fMRI brain activity given a stimulus. There exists a plethora of neural encoding models which study brain encoding for single mode stimuli: visual (pretrained CNNs) or text (pretrained language models). Few recent papers have also obtained separate visual and text representation models and performed late-fusion using simple heuristics. However, previous work has failed to explore: (a) the effectiveness of image Transformer models for encoding visual stimuli, and (b) co-attentive multi-modal modeling for visual and text reasoning. In this paper, we systematically explore the efficacy of image Transformers (ViT, DEiT, and BEiT) and multi-modal Transformers (VisualBERT, LXMERT, and CLIP) for brain encoding. Extensive experiments on two popular datasets, BOLD5000 and Pereira, provide the following insights. (1) To the best of our knowledge, we are the first to investigate the effectiveness of image and multi-modal Transformers for brain encoding. (2) We find that VisualBERT, a multi-modal Transformer, significantly outperforms previously proposed single-mode CNNs, image Transformers as well as other previously proposed multi-modal models, thereby establishing new state-of-the-art. The supremacy of visio-linguistic models raises the question of whether the responses elicited in the visual regions are affected implicitly by linguistic processing even when passively viewing images. Future fMRI tasks can verify this computational insight in an appropriate experimental setting., 18 pages, 13 figures
Published: 2022

49. Cross-Situational Learning Towards Robot Grounding

Author: Oota, Subba Reddy, Alexandre, Frédéric, Hinaut, Xavier, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), and OOTA, Subba Reddy
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [INFO.INFO-RB] Computer Science [cs]/Robotics [cs.RO], [INFO.INFO-NE] Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], cross-situational learning, [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], [INFO.INFO-CL]Computer Science [cs]/Computation and Language [cs.CL], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], grounded language, echo state networks, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-CL] Computer Science [cs]/Computation and Language [cs.CL], [INFO.INFO-RB]Computer Science [cs]/Robotics [cs.RO], [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [SDV.NEU] Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], LSTM, BERT
Abstract: How do children acquire language through unsupervised or noisy supervision? How do their brain process language? We take this perspective to machine learning and robotics, where part of the problem is understanding how language models can perform grounded language acquisition through noisy supervision and discussing how they can account for brain learning dynamics. Most prior works have tracked the co-occurrence between single words and referents to model how infants learn wordreferent mappings. This paper studies cross-situational learning (CSL) with full sentences: we want to understand brain mechanisms that enable children to learn mappings between words and their meanings from full sentences in early language learning. We investigate the CSL task on a few training examples with two sequence-based models: (i) Echo State Networks (ESN) and (ii) Long-Short Term Memory Networks (LSTM). Most importantly, we explore several word representations including One-Hot, GloVe, pretrained BERT, and fine-tuned BERT representations (last layer token representations) to perform the CSL task. We apply our approach to three diverse datasets (two grounded language datasets and a robotic dataset) and observe that (1) One-Hot, GloVe, and pretrained BERT representations are less efficient when compared to representations obtained from fine-tuned BERT. (2) ESN online with final learning (FL) yields superior performance over ESN online continual learning (CL), offline learning, and LSTMs, indicating the more biological plausibility of ESNs and the cognitive process of sentence reading. (2) LSTM with fewer hidden units showcases higher performance for small datasets, but LSTM with more hidden units is Cross-Situational Learning needed to perform reasonably well on larger corpora. (4) ESNs demonstrate better generalization than LSTM models for increasingly large vocabularies. Overall, these models are able to learn from scratch to link complex relations between words and their corresponding meaning concepts, handling polysemous and synonymous words. Moreover, we argue that such models can extend to help current human-robot interaction studies on language grounding and better understand children's developmental language acquisition. We make the code publicly available * .
Published: 2022

50. Apprentissage par renforcement sur des connaissances symboliques structurées : modéliser la résolution créative de problèmes

Author: Mercier, Chloé, Romero, Margarida, Alexandre, Frédéric, Viéville, Thierry, Mnemonic Synergy (Mnemosyne), Laboratoire Bordelais de Recherche en Informatique (LaBRI), Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Université de Bordeaux (UB)-École Nationale Supérieure d'Électronique, Informatique et Radiocommunications de Bordeaux (ENSEIRB)-Centre National de la Recherche Scientifique (CNRS)-Inria Bordeaux - Sud-Ouest, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut des Maladies Neurodégénératives [Bordeaux] (IMN), Université de Bordeaux (UB)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Innovation et Numérique pour l'Education (LINE), Université Nice Sophia Antipolis (1965 - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Université Côte d'Azur (UCA), Fédération Française des Sciences de la Cognition (Fresco), École Normale Supérieure, and AEx AIDE
Subjects: Créativité, [SCCO]Cognitive science, Représentation des connaissances, Apprentissage par Renforcement, Résolution de problèmes, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: National audience; La créativité, la résolution de problèmes et la pensée informatique sont des compétences majeures du 21e siècle à inclure dans les programmes éducatifs du primaire et secondaire. Afin de mieux appréhender et enseigner ces compétences, nous proposons d’étudier les mécanismes cognitifs à l'œuvre dans la résolution d’une tâche spécifique appelée CréaCube, dans laquelle l’apprenant·e est invité·e à construire un véhicule à l’aide de cubes robotiques modulaires. Nous nous appuyons d’une part sur les données collectées pendant la tâche à l’aide d’analyses de vidéos, et d’autre part sur les modèles issus des neurosciences computationnelles et de l’intelligence artificielle, le but étant d’expliquer les comportements observés et d’inférer les représentations internes de l’apprenant·e en lien avec ses connaissances préalables et la découverte des affordances. Ceci implique de spécifier la représentation des connaissances au niveau symbolique et sub-symbolique et de prendre en compte la régulation des processus divergents et convergents au cours de la tâche. Cette étude est encore exploratoire, mais nous avons déjà introduit quelques idées au niveau de la modélisation : en particulier, nous proposons d’appliquer un paradigme d’apprentissage par renforcement sur des données symboliques, permettant de traiter les connaissances à la fois explicitement et implicitement, tout en introduisant une récompense liée à la motivation intrinsèque.
Published: 2022

Catalog

Books, media, physical & digital resources

See catalog results

Searchworks

Select search scope, currently: Articles Catalog books, media & more in Jio Institute collections Articles journal articles & other e-resources

Search

Search Constraints

Refine your results

Search Limiters

Topic

Publication Year Range

Language

Journal

Database

Publisher

371 results on '"Mnemonic Synergy (Mnemosyne)"'

Search Results

Catalog

Select search scope, currently: Articles

Catalog

books, media & more in Jio Institute collections

Articles

journal articles & other e-resources