AHAmbroise Heurtebise

Ambroise Heurtebise

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Ambroise Heurtebise has a total of 3 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Multi-View Learning : from ICA to Causal Discovery

    by Ambroise Heurtebise

    Apprentissage multi-vues : de l'ACI à la découverte causale: Alors que l'apprentissage automatique extrait généralement de l'information à partir d'un seul jeu de données, de nombreux problèmes concrets fournissent plusieurs jeux de données liés les uns aux autres. Par exemple, un clinicien peut disposer pour chaque patient d'une IRM structurelle, d'une IRM de diffusion et d'une IRMf, ainsi que de réponses à un questionnaire. Autre situation fréquente : des données de la même modalité mais enregistrées chez de nombreux sujets réalisant la même tâche. Dans de tels contextes, chaque modalité — ou chaque sujet — constitue une *vue* distincte. Comme traiter les vues indépendamment est souvent sous-optimal, la question centrale est de savoir comment extraire conjointement l'information de l'ensemble des jeux de données. Cette tâche est difficile en raison de l'hétérogénéité, du manque d'alignement entre espaces sous-jacents et des biais spécifiques à chaque vue. Ces enjeux sont particulièrement marqués en neurosciences, où des données de plusieurs sujets recevant un même stimulus sont souvent analysées pour comprendre la dynamique cérébrale. Cette thèse explore l'apprentissage multi-vues selon deux axes : l'*analyse en composantes indépendantes* (ACI) et la *découverte causale*.Premièrement, l'ACI est une technique largement utilisée qui cherche à identifier des sources latentes indépendantes à partir d'observations. Appliquée à la magnéto-encéphalographie et à l'électroencéphalographie (M/EEG), l'ACI peut estimer des sources corticales sous-jacentes à partir de signaux observés au niveau des capteurs. Les analyses de groupe sont alors cruciales pour extraire des motifs cohérents, et de nombreuses méthodes ont été proposées pour estimer une structure commune entre sujets. Bien que des efforts aient été faits pour promouvoir la similarité inter-vues et assouplir des hypothèses telles que la non-Gaussianité, les sources sont encore souvent supposées identiques, ne laissant aucune place à la variabilité temporelle. Or ces variabilités sont inhérentes à certains types de données. Par exemple, des sujets exposés à des stimuli visuels ou auditifs identiques présentent des réponses neuronales (ERF) similaires, mais des changements liés à l'âge dans leurs matières grise et blanche entraînent des décalages temporels entre leurs réponses. Au Chapitre 1, nous combinons la théorie de l'ACI multi-vues avec une modélisation de ces variabilités temporelles, ce qui aboutit à un algorithme rapide, particulièrement efficace en présence de décalages. Le Chapitre 2 prolonge cette idée en intégrant des dilatations temporelles, ce qui est plus difficile. Des résultats sur des enregistrements MEG de centaines de sujets confirment des relations bien établies entre l'âge et les décalages/dilatations lors de tâches visuelles et auditives. Ce faisant, la modélisation de variabilités temporelles améliore l'estimation des sources, ce qui rend les deux algorithmes utiles dès lors que des décalages ou des dilatations sont présents.Deuxièmement, la découverte causale consiste à inférer des relations directionnelles entre variables. Bien que plusieurs approches existent dans le cadre de relations linéaires et avec une unique vue, elles reposent souvent sur des hypothèses restrictives, et les alternatives multi-vues sont rares. Pourtant, inférer des relations causales à partir de multiples vues peut s'avérer important : pour des données d'IRMf ou de M/EEG, cela permet notamment de révéler des relations de cause à effet cohérentes entre régions cérébrales. Au Chapitre 3, nous proposons quelques méthodes multi-vues pour la découverte causale, fondées sur leurs pendants à vue unique (DirectLiNGAM, PairwiseLiNGAM et ICA-LiNGAM), et nous les unifions dans un cadre commun. Les algorithmes obtenus sont efficaces et directement utilisables par les praticiens. Appliqués à une tâche MEG motrice et à une tâche d'IRMf de jugement de rimes, ils retrouvent des structures cohérentes.

  • MVICAD 2 : Multi-View Independent Component Analysis With Delays and Dilations

    by Ambroise Heurtebise, Omar Chehab, Pierre Ablin, Alexandre Gramfort

    Machine learning techniques in multi-view settings face significant challenges, particularly when integrating heterogeneous data, aligning feature spaces, and managing view-specific biases. These issues are prominent in neuroscience, where data from multiple subjects exposed to the same stimuli are analyzed to uncover brain activity dynamics. In magnetoencephalography (MEG), where signals are captured at the scalp level, estimating the brain's underlying sources is crucial, especially in group studies where sources are assumed to be similar for all subjects. Common methods, such as Multi-View Independent Component Analysis (MVICA), assume identical sources across subjects, but this assumption is often too restrictive due to individual variability and age-related changes. Multi-View Independent Component Analysis with Delays (MVICAD) addresses this by allowing sources to differ up to a temporal delay. However, temporal dilation effects, particularly in auditory stimuli, are common in brain dynamics, making the estimation of time delays alone insufficient. To address this, we propose Multi-View Independent Component Analysis with Delays and Dilations (MVICAD$^{2}$), which allows sources to differ across subjects in both temporal delays and dilations. We present a model with identifiable sources, derive an approximation of its likelihood in closed form, and use regularization and optimization techniques to enhance performance. Through simulations, we demonstrate that MVICAD$^{2}$ outperforms existing multi-view ICA methods. We further validate its effectiveness using the Cam-CAN dataset, and showing how delays and dilations are related to aging.