Un tragique de l'ébranlement : usages et enjeux de la catharsis dans Le Sang des promesses (Littoral, Incendies, Forêts, Ciels) de Wajdi Mouawad

Consacré à la tétralogie Le Sang des promesses — composée des pièces Littoral, Incendies, Forêts et Ciels — de Wajdi Mouawad, le présent mémoire s’appuie sur un retour remarqué de la catharsis dans les discours sur le théâtre contemporain pour questionner la capacité du théâtre à développer une pensée du vivre-ensemble. Il est divisé en trois chapitres : le premier porte sur la place du genre de la tragédie et du concept du tragique dans la tétralogie ainsi que la réappropriation par Mouawad de certaines figures de la mythologie grecque ; le second s’intéresse au devenir contemporain de la catharsis, à son articulation autour des émotions de peur et compassion et à l’importance de la parole-action au sein de l’œuvre. Enfin, le troisième chapitre cherche à définir les rapports entre le cathartique et le concept de « solidarité des ébranlés » théorisé par Jan Patočka avant d’analyser la réception critique des pièces pour y trouver des exemples concrets de l’effet cathartique propre au théâtre de Mouawad.

Training deep convolutional architectures for vision

Les tâches de vision artificielle telles que la reconnaissance d’objets demeurent irrésolues à ce jour. Les algorithmes d’apprentissage tels que les Réseaux de Neurones Artificiels (RNA), représentent une approche prometteuse permettant d’apprendre des caractéristiques utiles pour ces tâches. Ce processus d’optimisation est néanmoins difficile. Les réseaux profonds à base de Machine de Boltzmann Restreintes (RBM) ont récemment été proposés afin de guider l’extraction de représentations intermédiaires, grâce à un algorithme d’apprentissage non-supervisé. Ce mémoire présente, par l’entremise de trois articles, des contributions à ce domaine de recherche. Le premier article traite de la RBM convolutionelle. L’usage de champs réceptifs locaux ainsi que le regroupement d’unités cachées en couches partageant les même paramètres, réduit considérablement le nombre de paramètres à apprendre et engendre des détecteurs de caractéristiques locaux et équivariant aux translations. Ceci mène à des modèles ayant une meilleure vraisemblance, comparativement aux RBMs entraînées sur des segments d’images. Le deuxième article est motivé par des découvertes récentes en neurosciences. Il analyse l’impact d’unités quadratiques sur des tâches de classification visuelles, ainsi que celui d’une nouvelle fonction d’activation. Nous observons que les RNAs à base d’unités quadratiques utilisant la fonction softsign, donnent de meilleures performances de généralisation. Le dernière article quand à lui, offre une vision critique des algorithmes populaires d’entraînement de RBMs. Nous montrons que l’algorithme de Divergence Contrastive (CD) et la CD Persistente ne sont pas robustes : tous deux nécessitent une surface d’énergie relativement plate afin que leur chaîne négative puisse mixer. La PCD à "poids rapides" contourne ce problème en perturbant légèrement le modèle, cependant, ceci génère des échantillons bruités. L’usage de chaînes tempérées dans la phase négative est une façon robuste d’adresser ces problèmes et mène à de meilleurs modèles génératifs.