Vous êtes tous cordialement invités à assister à la soutenance de thèse de doctorat de François Rivest. Elle aura lieu Mercredi 14 avril à 14h00 au local 5441 (local du Cirrelt), Pavillon André Aisenstadt, 2920 Chemin de la Tour. N'hésitez pas à faire suivre cette invitation à toute personne susceptible d'être intéressée à y assister.
TITRE: "Sequential Machine Learning Approaches for Portfolio Management" (un résumé en Anglais Français suit le résumé Français).
** RÉSUMÉ: **
Tout au long de la vie, le cerveau développe des représentations de son environnement permettant à l’individu d’en tirer meilleur profit. Comment ces représentations, en particulier les représentations du temps, se développent-elles pendant la quête de récompenses demeure un mystère. Dans cette thèse, un modèle informatique intégrant de nombreuses évidences neurologiques de cet apprentissage est développé. Il démontre qu’une représentation du temps peut être acquise automatiquement dans un réseau de neurones artificiels faisant office de mémoire de travail et qu’une telle représentation dans le cortex pourrait fournir l’information nécessaire aux ganglions de la base et expliquer le signal phasique dopaminergique, signal présumé d’erreur dans la quête de récompense. La représentation développée par le modèle ressemble beaucoup à l’activité de neurones corticaux dans des tâches similaires. Enfin, le pouvoir explicatif et prédictif du modèle est évalué sur différentes situations comme la présence ou l’absence d’un stimulus pendant l’attente de la récompense. En plus de faire des prédictions très intéressantes en lien avec la littérature sur les intervalles de temps, certaines lacunes du modèle seront présentées.
** ABSTRACT: **
Throughout lifetime, the brain develops abstract representations of its environment that allow the individual to maximize his benefits. How these representations, in particular the representations of time, are developed while trying to acquire rewards remains a mystery. In this thesis, a model that incorporates a number of relevant neurophysiological findings of this learning is developed. It shows that a time representation can be acquired automatically in an artificial neural network acting like a working memory and that such a cortical representation could provide the necessary information to the basal ganglia and explain the phasic dopaminergic signal, the presume error signal in reward maximization. The representation learned by the model closely resembles the activity of cortical neurons in similar tasks. Finally, the explanatory and predictive power of the model is evaluated in different tasks such as the presence or absence of a stimulus while waiting for the reward. Beyond making interesting predictions relevant to the timing literature, some shortcomings of the model will be presented.