Réseaux de neurones et acquisition de l'information parcimonieuse

Cette thèse traite de mémoires associatives neuro-inspirées. Une extension des réseaux de neurones récurrents et binaires introduits par Gripon et Berrou a été étudiée pour y accroître les effets de la parcimonie. Dans cette nouvelle version de réseaux de neurones, l'information est portée par des motifs graphiques (cliques) qui ne font appel qu'à une fraction des ressources disponibles. Ces motifs peuvent également être de tailles différentes et donc porter une information de longueur variable. Nous avons validé le concept et calculé les limites de capacité et de correction d'effacements en fonction des taux d'erreurs recherchés. Ces limites ont été comparées à des résultats de simulation obtenus dans différentes situations de test. Nous avons également analysé ces réseaux sous l'éclairage de la théorie de l'information et établi un lien avec la problématique de l'acquisition compressée (compressed sensing).This thesis studies a neural network inspired by human neocortex. An extension of the recurrent and binary network proposed by Gripon and Berrou is given to store sparse messages. In this new version of the neural network, information is borne by graphical codewords (cliques) that use a fraction of the network available resources. These codewords can have different sizes that carry variable length information. We have examined this concept and computed the capacity limits on erasure correction as a function of error rate. These limits are compared with simulation results that are obtained from different experiment setups. We have finally studied the network under the formalism of information theory and established a connection between compressed sensing and the proposed network