Intérêts de recherche
Intelligence artificielle, apprentissage automatique, apprentissage par renforcement, apprentissage animal, intervalles de temps, dopamine, neuroscience informatique.
Le Dr. Rivest s'intéresse aux fondements mathématiques de l'apprentissage naturel et artificiel. Il est particulièrement intéressé par la façon dont les différents systèmes du cerveau collaborent pour générer son étonnante capacité d'apprentissage. Par exemple, le cortex, les ganglions de la base et la dopamine, le système limbique et l'hippocampe, et le cervelet, ont tous des rôles sensiblement différents dans l'apprentissage. Au-delà des applications potentielles en neuropsychologie, découvrir les stratégies d'apprentissage du cerveau pourrait permettre le développement d'algorithmes d'apprentissage automatique plus généraux et performants.
L'apprentissage animal et machine peuvent tous deux être étudiés dans le cadre mathématique de l'apprentissage par renforcement composé de stimuli, d'actions et de récompenses. En particulier, le cerveau reçoit un flux continu d'information dans lequel la synchronicité ou le décalage entre les évènements semblent influencer fortement l'apprentissage et le comportement animal. Comment les intervalles de temps sont acquis et influencent l'apprentissage reste à éclaircir. Au-delà du temps, la capacité naturelle du cerveau à construire des représentations abstraites reste inégalée par les meilleurs algorithmes d'apprentissage automatique d'aujourd'hui.
À partir des données neurophysiologiques et comportementales des animaux, le Dr. Rivest développe des modèles qui reproduisent la capacité neurale d'adaptation de ces derniers. Dans certains cas, des solutions intéressantes sont aussi évaluées comme algorithme d'apprentissage automatique. Plus particulièrement, le Dr. Rivest applique actuellement les découvertes sur la capacité des animaux à mesurer les intervalles de temps aux problèmes de prédictions de séries temporelles (ou prédictions d'évènements) et son utilisation potentielle en apprentissage par renforcement et en robotique.
Courte biographie
Le Dr. Rivest a une spécialisation double en mathématiques et science informatique de l'Université McGill avec une mineure en sciences cognitives. Il a ensuite complété une maîtrise en sciences en apprentissage automatique à l'Université McGill avec mention sur la Liste d'Honneur du Doyen. Le Dr. Rivest a aussi travaillé au Centre de Recherche Informatique de Montréal et à l'École de Technologies Supérieures menant à un brevet. Il s'est ensuite tourné vers les neurosciences et a fait son doctorat en neuroscience informatique à l'Université de Montréal. Il a rejoint le Département de mathématiques et de science informatique au CMR en 2010 et il est aussi affilié à l'Université Queen's où il est membre du Center for Neuroscience Studies.
Publications sélectionnées
- Simen, P., Rivest, F., Ludvig, E.A., Balci, F., & Killeen, P. (2013) Timescale Invariance in the Pacemaker-accumulator Family of Timing Models.Timing & Time Perception 1:159-188.
- Luzardo, A., Elliot A. L., & Rivest, F. (2013) An adaptive drift-diffusion model of interval timing dynamics. Behavioural Processes 95:90-99.
- Le Dévéhat, Y, Perron, D, Fraysse, O., Dumouchel, P., Landry, R.Jr., & Rivest, F. (2011) Method of Improving Successful Recognition of Genuine Acoustic Authentication Devices. U.S. Patent 7992067, Ëtats Unis, New York.
- Rivest, F., Kalaska, J.F., & Bengio, Y. (2009) Alternative Time Pepresentation in Dopamine Models. Journal of Computational Neuroscience 28:107-130.
- Thivierge, J.-P., Rivest, F., & Monchi, O. (2007) Spiking Neurons, Dopamine, and Plasticity: Timing Is Everything, But Concentration Also Matters. Synapse 61:375-390.
- Rivest, F., Bengio, Y, & Kalaska, J.F. (2005) Brain Inspired Reinforcement Learning. Dans Lawrence K. Saul, Yair Weiss, et Léon Bottou, éditeurs, Advances in Neural Information Processing Systems 17, pp. 1129-1136. MIT Press, Cambridge, MA.
- Rivest, F., & Precup, D. (2003) Combining TD-learning with Cascade-correlation Networks. Proceedings of the Twentieth International Conference on Machine Learning, pp. 632-639. AAAI Press.
- Shultz, T.R., & Rivest, F. (2001) Knowledge-based Cascade-correlation: Using Knowledge to Speed Learning. Connection Science 13:1-30.
Une liste complète de ses publications est disponible sur Google Scholar et Research Gate.