Mission : Ce projet vise à développer un nouveau cadre génératif pour modéliser la topologie des circuits des réseaux neuronaux des petits animaux. Ce cadre s'appuie sur des modèles de réseaux génératifs basés sur l'intégration des nœuds dans un espace métrique où les distances déterminent les probabilités de liaison à partir d'un noyau appris à partir des données. Le projet consistera à généraliser les modèles de graphes d'espace latent en apprenant les noyaux de distance définissant les probabilités de connexion entre les neurones à partir des données et, éventuellement, en les étendant à des espaces latents non euclidiens. Activités : - Développer un code Python efficace pour inférer les positions des nœuds latents basée sur l'optimisation stochastique de la vraisemblance des données. - Développer une procédure de sélection de la dimension de l'espace latent basée sur la validation croisée ou la sélection de modèles bayésienne. - Éventuellement étendre le modèle à des espaces latents non euclidiens.