Psychiatrie computationnelle, Neurosciences théoriques, Inférence probabiliste, Propagation des convictions, Inférence circulaire, Propagation circulaire des convictions, Déséquilibre excitation-inhibition, Schizophrénie, Psychose

Le modèle d'inférence circulaire est un modèle bayésien de troubles psychiatriques, initialement conçu pour rendre compte des manifestations cliniques de la schizophrénie et de la psychose. L'inférence circulaire repose sur l'algorithme de propagation circulaire de croyances, un algorithme d'inférence probabiliste approximative qui propose un paramètre additionnel comparé à l'algorithme de propagation de croyances ou Belief Propagation. Ce paramètre est appelé le facteur de correction des boucles. Il fixe la quantité de circularité dans l'inférence et est considéré comme représentant le niveau d'équilibre (local) entre les processus d'excitation et d'inhibition dans le réseau cérébral supposé réaliser les opérations d'inférence probabiliste. Dans ce cadre, les raisonnements circulaires et les symptômes psychotiques émaneraient d'une diminution du facteur de correction de boucles, c'est-à-dire, d'un faible niveau d'inhibition comparé au niveau d'excitation. Le travail présenté dans cette thèse permet d'appuyer le modèle d'inférence circulaire comme modèle d'inférences pathologiques (par exemple les hallucinations et les idées délirantes), d'inférences presque-optimales, et entre les deux d'inférences sous-optimales non cliniques, allant des biais usuels d'inférence (comme l'illustrent les phénomènes de perception bistable et de prise de décision hâtive, et la confiance excessive généralisée) aux comportements infracliniques comme le fait de croire en des théories du complot malgré des éléments contredisant ces théories. De plus, cette thèse développe le modèle d'inférence circulaire de façons diverses. Premièrement, conceptuellement, en procurant à l'algorithme de propagation circulaire de croyances une fondation théorique, ce qui est réalisé en le reliant à des algorithmes existants comme la propagation fractionnaire de croyances. Deuxièmement, de façon plus pratique, en proposant des implémentations neurales (réseaux de neurones à rate ou à spikes, pour des variables binaires ou gaussiennes) et des mécanismes d'apprentissage biologiquement plausibles décrivant tous les deux comment les inférences probabilistes pourraient être réalisées dans le cerveau en utilisant cet algorithme. Enfin, le modèle est développé sur le plan théorique, en examinant les propriétés de convergence de l'algorithme de propagation circulaire, en formulant l'algorithme pour des distributions de probabilité plus complexes que précédemment, et en proposant une généralisation avec l'algorithme de propagation circulaire étendu.