Thèse : aligner apprentissage profond et concepts écologiques — méthodes explicables pour la modélisation de la biodiversité

Thèse au centre Inria de l’Université Grenoble Alpes (équipe Thoth) et au Laboratoire d’Écologie Alpine (LECA), sous la direction de Karteek Alahari (directeur de thèse), Hadrien Hendrikx et Sara Si-Moussi.

Motivation

De nouvelles technologies collectent aujourd’hui des données de biodiversité massives : pièges photographiques, enregistreurs acoustiques, imagerie aérienne et satellitaire, ADN environnemental, relevés de végétation, capteurs in situ. L’apprentissage profond améliore certaines prédictions, comme la distribution des espèces, mais explique peu les processus écologiques sous-jacents : les dimensions latentes sont rarement associées à des concepts écologiquement explicites. Or, en écologie, l’enjeu central n’est souvent pas la prédiction mais la compréhension des interactions : quelles composantes de l’environnement influencent quels traits des organismes, et à quelles échelles ?

Question directrice : comment inférer des interactions écologiques à partir de données hétérogènes représentées par des deep features, c’est-à-dire des représentations latentes apprises par des modèles profonds ?

Axes de recherche

1. Interprétabilité des modèles profonds pour les données écologiques.
   • Concepts émergents dans les modèles de fondation unimodaux : sonder des modèles auto-supervisés d’imagerie aérienne, de bioacoustique et d’autres modalités écologiques pour tester si des concepts écologiquement pertinents (structure de l’habitat, biophonie ou bruits anthropiques, compatibilité entre espèces…) émergent, et s’ils se distinguent des conditions d’observation et du contexte spatio-temporel.
   • Concepts mobilisés par les modèles de biodiversité multimodaux : modèles à goulot de concepts (concept bottleneck models) et dictionnaires de concepts par autoencodeurs parcimonieux, par exemple en utilisant les traits fonctionnels des espèces comme concepts intermédiaires dans des modèles de distribution d’espèces.
2. Apprentissage de représentations intrinsèquement interprétables. Co-apprendre espaces latents et concepts grâce à des régularisations fondées sur les concepts et à des objectifs de pré-entraînement explicables, puis mesurer l’effet sur l’interprétabilité, les performances sur les tâches en aval, la robustesse et la généralisation.
3. Évaluation et inférence écologique. Définir des métriques adaptées aux applications écologiques, et intégrer les concepts découverts dans des modèles graphiques probabilistes hiérarchiques des interactions environnement–espèces à plusieurs échelles.

Mots-clés : apprentissage de représentations, apprentissage de concepts, explicabilité, apprentissage auto-supervisé, modélisation de la distribution des espèces, données multimodales (image, son, texte).