Réduction d'expansion volumique au cours de la gestation : conséquence sur la circulation utéro-placentaire.

La grossesse est caractérisée par une augmentation du volume circulant maternel et du débit sanguin afin de subvenir aux besoins croissants du foetus. En diminuant l'expansion volumique maternelle, nous avons développé un modèle de restriction de croissance intra-utérine (RCIU) chez la rate dans lequel on observe une diminution du diamètre des artères utérines arquées ainsi qu'une diminution de la réponse à l'angiotensine II. Nous avons émis l'hypothèse que comparativement aux rates normales, les vaisseaux utérins des rates RCIU présentent une dysfonction des mécanismes de relaxation dépendant de l'endothélium lors de la réponse à des agents vasoactifs. Notre objectif était de caractériser l'influence de l'endothélium sur la régulation de la réactivité des artères utérines radiales dans notre modèle RCIU. À l'aide d'un myographe pressurisé, des courbes de concentration-réponse à des agents vasoactifs (Phényléphrine (Pe), Carbachol (Cbc) et Nitroprussiate de sodium (SNP)) ont été effectuées, en présence ou en absence d'inhibiteurs des voies principales de la relaxation dépendante de l'endothélium (monoxyde d'azote (NO), prostacycline (PGI2) et facteurs hyperpolarisants dépendant de l'endothélium (EDHF)). Nous avons ainsi démontré que les artères utérines radiales des rates RCIU ont un diamètre plus petit que celles des rates contrôles. Une utilisation plus grande du NO dans la réponse dilatatrice au Cbc a été observée chez les rates RCIU. De plus, l'inhibition de la voie de l'EDHF par l'ajout de KCl aux inhibiteurs de la voie du NO (L-NAME) et des PGI2 (Ibuprofène) bloque presque complètement la relaxation au Cbc chez les deux groupes. En conclusion, dans les artères utérines radiales des deux groupes, il y a une participation importante de l'EDHF lors de la dilatation au Cbc. De plus, dans notre modèle RCIU, la voie du NO est activée, probablement afin de compenser la diminution du diamètre des artères et la réduction de la perfusion utérine.

Apprentissage des réseaux de neurones profonds et applications en traitement automatique de la langue naturelle

En apprentissage automatique, domaine qui consiste à utiliser des données pour apprendre une solution aux problèmes que nous voulons confier à la machine, le modèle des Réseaux de Neurones Artificiels (ANN) est un outil précieux. Il a été inventé voilà maintenant près de soixante ans, et pourtant, il est encore de nos jours le sujet d'une recherche active. Récemment, avec l'apprentissage profond, il a en effet permis d'améliorer l'état de l'art dans de nombreux champs d'applications comme la vision par ordinateur, le traitement de la parole et le traitement des langues naturelles. La quantité toujours grandissante de données disponibles et les améliorations du matériel informatique ont permis de faciliter l'apprentissage de modèles à haute capacité comme les ANNs profonds. Cependant, des difficultés inhérentes à l'entraînement de tels modèles, comme les minima locaux, ont encore un impact important. L'apprentissage profond vise donc à trouver des solutions, en régularisant ou en facilitant l'optimisation. Le pré-entraînnement non-supervisé, ou la technique du ``Dropout'', en sont des exemples. Les deux premiers travaux présentés dans cette thèse suivent cette ligne de recherche. Le premier étudie les problèmes de gradients diminuants/explosants dans les architectures profondes. Il montre que des choix simples, comme la fonction d'activation ou l'initialisation des poids du réseaux, ont une grande influence. Nous proposons l'initialisation normalisée pour faciliter l'apprentissage. Le second se focalise sur le choix de la fonction d'activation et présente le rectifieur, ou unité rectificatrice linéaire. Cette étude a été la première à mettre l'accent sur les fonctions d'activations linéaires par morceaux pour les réseaux de neurones profonds en apprentissage supervisé. Aujourd'hui, ce type de fonction d'activation est une composante essentielle des réseaux de neurones profonds. Les deux derniers travaux présentés se concentrent sur les applications des ANNs en traitement des langues naturelles. Le premier aborde le sujet de l'adaptation de domaine pour l'analyse de sentiment, en utilisant des Auto-Encodeurs Débruitants. Celui-ci est encore l'état de l'art de nos jours. Le second traite de l'apprentissage de données multi-relationnelles avec un modèle à base d'énergie, pouvant être utilisé pour la tâche de désambiguation de sens.

Apprentissage d'espaces sémantiques

Dans cette dissertation, nous présentons plusieurs techniques d’apprentissage d’espaces sémantiques pour plusieurs domaines, par exemple des mots et des images, mais aussi à l’intersection de différents domaines. Un espace de représentation est appelé sémantique si des entités jugées similaires par un être humain, ont leur similarité préservée dans cet espace. La première publication présente un enchaînement de méthodes d’apprentissage incluant plusieurs techniques d’apprentissage non supervisé qui nous a permis de remporter la compétition “Unsupervised and Transfer Learning Challenge” en 2011. Le deuxième article présente une manière d’extraire de l’information à partir d’un contexte structuré (177 détecteurs d’objets à différentes positions et échelles). On montrera que l’utilisation de la structure des données combinée à un apprentissage non supervisé permet de réduire la dimensionnalité de 97% tout en améliorant les performances de reconnaissance de scènes de +5% à +11% selon l’ensemble de données. Dans le troisième travail, on s’intéresse à la structure apprise par les réseaux de neurones profonds utilisés dans les deux précédentes publications. Plusieurs hypothèses sont présentées et testées expérimentalement montrant que l’espace appris a de meilleures propriétés de mixage (facilitant l’exploration de différentes classes durant le processus d’échantillonnage). Pour la quatrième publication, on s’intéresse à résoudre un problème d’analyse syntaxique et sémantique avec des réseaux de neurones récurrents appris sur des fenêtres de contexte de mots. Dans notre cinquième travail, nous proposons une façon d’effectuer de la recherche d’image ”augmentée” en apprenant un espace sémantique joint où une recherche d’image contenant un objet retournerait aussi des images des parties de l’objet, par exemple une recherche retournant des images de ”voiture” retournerait aussi des images de ”pare-brises”, ”coffres”, ”roues” en plus des images initiales.