Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ICube laboratory
Durée : 2 years
Contact : lafabregue@unistra.fr
Date limite de publication : 2024-10-11

Contexte :
Automated data acquisition systems and increasing storage capacities have made time series data available across a wide
range of domains, from earth observation to industry. However, this data is often provided with insufficient or no labels, thus preventing the use of supervised methods. In this context, unsupervised methods can be valuable to help users extract information, such as identifying different behaviors on a production line. Nevertheless, when it comes to time series analysis, these methods face several drawbacks.

First, the diverse nature of sensors and sources used to generate
temporal data results in significant heterogeneity in terms of
format, volume, quality, and richness of information. For example, a single production line can include a large set of different sensors, each constrained by its manufacturer’s API. This diversity has led to a wide range of categorization methods for analyzing time series, e.g., based on elastic metrics, frequency decomposition, and pattern extraction , each with its own advantages and limitations, which can also complement one
another.

Secondly, clustering approaches often yield results that do not align with the experts’ expectations or intuitions. This is especially true when considering the aforementioned heterogeneity of time series data. Therefore, incorporating some expert knowledge, even if it doesn’t encompass the full spectrum of actual classes, can significantly enhance the quality of the clustering results. This knowledge is often expressed in the form of constraints. However, these methods often suffer from the negative impact of constraints, resulting in a decrease in quality when constraints are added.

Finally, asking experts to define all classes at the outset of the project is unreasonable. It is indeed often the case that not all classes can be semantically defined before a data analysis has been carried out. It is more practical to engage experts throughout the entire process as they progressively unfold the data processing and analysis within an iterative cycle of interactions between the expert and the learning system. The goal of this interaction is to bridge the gap between the results generated by the algorithms and the expert’s thematic insights. This process is designed to make the results more comprehensible to the expert.

Sujet :
The main task of this post-doc is to develop an ensemble clustering method that relies on a diversity of viewpoints (i.e. representations or metrics). It will use constraints given iteratively by the user to select and combine the proper viewpoints. This should result in a better clustering that is a consensus of the most suitable viewpoints, in adequacy with the expert’s knowledge, to leverage potential negative effects of constraints. To achieve this goal, we need to fulfill four objectives:
● Select a subset of sufficiently independent/diverse existing metrics/representations (required to have complementary viewpoints) relevant to clusterize time series;
● Define a generic ensemble method to obtain a consensus clustering result from the previously selected viewpoints that maximize the respect of the expert’s knowledge;
● Propose a generic method to iteratively update the clustering by integrating new expert’s knowledge in interaction with the expert;
● Validate the method operability by focusing on Industry data, mainly relying on a demonstration production line of one of our industry partners

The person recruited will be co-directed by Nicolas Lachiche (50%), specialist of complex data mining, and Baptiste Lafabrègue (50%), time series analysis specialist. He or she will actively collaborate with the SDC team at ICube in Strasbourg, and more particularly with Nassime Mountasir, a 3rd-year PhD student working on predictive maintenance issues

Profil du candidat :
● PhDinComputerScience, specializing in machine learning/explainability.
● Solid knowledge of Machine Learning methods. Experience in time series analysis and/or predictive maintenance would be also valuable.
● Goodverbal (English or French) and written (English) communication skills.
● Interpersonal skills and the ability to work individually or as part of a project team.

Formation et compétences requises :

Adresse d’emploi :
Illkirch, south of Strasbourg (Pôle API, 300 Bd Sébastien Brant, 67400 Illkirch-Graffenstaden)

Document attaché : 202407291327_EnsembleTimeSeries_offer.docx.pdf

Offre en lien avec l’Action/le Réseau : DOING/– — –

Laboratoire/Entreprise : LTCI, Télécom Paris
Durée : CDI
Contact : mathieu.labeau@telecom-paris.fr
Date limite de publication : 2024-10-11

Contexte :
Telecom Paris’s machine learning, statistics and signal processing group (a.k.a S²A group), within the laboratoire de traitement et communication de l’information (LTCI) and the Image, Data & Signal (IDS) department, is inviting applications for a permanent (indefinite tenure) faculty position at the Associate Professor level (Maitre de Conferences) in *Machine learning for Natural Language Processing*.

Sujet :
Main missions

The person recruited must have the experience and expertise required to carry out the following research and teaching assignments

Research activities

• Develop groundbreaking research in the field of theoretical or applied machine learning, aligned with the topics of the S²A group and the Images, Data & Signals department with a focus on Deep Learning. While the position is open to all applications within that field, expertise in Natural Language Processing (including the processing of natural language as text, speech, or information retrieval) or a desire to work with natural language data in the future is preferred. Additionally, the IDS department and S²A team have a particular interest in the following transversal themes: – Generative models – Conversational AI – Bias and Explainability in AI – Frugal Machine Learning
• Develop both academic and industrial collaborations on the same topic, including collaborative activities with other Telecom Paris research departments and teams, and research contracts with industrial players
• Set up research grants and take part in national and international collaborative research projects

Teaching activities

• Participate in teaching activities at Telecom Paris and its partner academic institutions (as part of joint Master programs), especially in machine learning and Data science, including life-long training programs

Impact
• Publish high quality research work in leading journals and conferences
• Be an active member of the research community (serving in scientific committees and boards, organizing seminars, workshops, special sessions…)

Profil du candidat :
As a minimum requirement, the successful candidate will have:

• A PhD degree
• A track record of research and publication in the area of machine/deep learning
• Experience in teaching
• Good command of English

The ideal candidate will also (optionally) have:
• Experience in Natural Language Processing
• A post-doctoral or international experience in an academic or industrial laboratory

NOTE:
The candidate does *not* need to speak French to apply, just to be willing to learn the language (teaching will be mostly given in English)

Other skills expected include:
• Capacity to work in a team and develop good relationships with colleagues and peers
• Good writing and pedagogical skills

Formation et compétences requises :

Adresse d’emploi :
Télécom Paris
19 place Marguerite Perey
91120 Palaiseau
France

Document attaché : 202407301130_2024_AssociateProf_S2A.pdf

Offre en lien avec l’Action/le Réseau : Musiscale/– — –

Laboratoire/Entreprise : INRAE & INRIA
Durée : 24 mois
Contact : antoine.affouard@inria.fr
Date limite de publication : 2024-10-11

Contexte :
Nous recherchons un⋅e ingénieur⋅e logiciel pour la plateforme Pl@ntNet, en CDD de 24 mois dans le cadre de la mise en œuvre du projet « One Forest Vision » (OFVi) (https://oneplanetsummit.fr/en/coalitions-82/one-forest-vision-initiative-251) visant l’adaptation de la plateforme Pl@ntNet à l’étude des milieux forestiers tropicaux (notamment en Afrique tropicale).

Détails de l’offre : https://jobs.inrae.fr/ot-22660

Sujet :
Dans ce cadre, vos activités seront les suivantes :
• Développements dans un environnement Node.js (API, Web),
• Intégration de données et standards ouverts, dans les bases de données (non-)relationnelles Pl@ntNet, pour l’adaptation à de nouveaux contextes, et incluant toutes les étapes de la chaîne de traitement,
• Consommation de services Web pour l’intégration et l’échange de données,
• Mise en place de tests de non-régression, pour les différents services développés, déploiement d’outils de suivi et d’alerte.

Profil du candidat :

Formation et compétences requises :
Formation : Bac+5 informatique ou équivalent

Connaissances souhaitées :
• Développement Javascript (Node.js)
• Gestion / exploitation de bases de données NoSQL orientées documents (ArangoDB) et de bases de données relationnelles (PostgreSQL)
• Notions en développement Web (HTML / CSS / Javascript)
• Notions en administration de serveurs Linux
• Gestion de gros volumes de données
Expérience appréciée : débutant⋅e⋅s accepté⋅e⋅s

Adresse d’emploi :
Montpellier

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : CNRS
Durée : 12 mois
Contact : vincent.miele@cnrs.fr
Date limite de publication : 2024-10-15

Contexte :
La personne travaillera au sein de l’initiative Deepfaune (https://www.deepfaune.cnrs.fr) qui a pour objectif de développer des modèles de classification automatique des espèces animales dans les images ou vidéos de pièges photographiques. Cette initiative participe à une collaboration européenne sur le sujet au sein du projet Biodiversa BigPicture.

Sujet :
La mission sera d’évaluer et d’améliorer les pipelines de gestion de données (images, vidéos de sauvage) actuellement mis en œuvre, tout en participant à l’intégration de nouveaux jeux de données venant de toute l’Europe. D’autres missions liées à la gestion et la curation de données et à leur préparation pour l’utilisation de modèle d’intelligence artificielle pourront également être à réaliser. Ces activités se dérouleront dans un cadre collaboratif très dynamique.

Pour candidater :
https://emploi.cnrs.fr/Offres/CDD/UMR5175-SIMCHA-004/Default.aspx

Les activités à réaliser sont :
– Evaluation, révision et écriture de pipeline de gestion de données.
– Gestion de fichiers entre serveurs locaux et distants.
– Mise en place d’une curation automatisée de données.
– Rédaction d’un plan de gestion de données.
– Mise des données aux standards sélectionnées (e.g. camtrapDP).
– Création de rapports sur la base de données.- En fonction de l’expérience en intelligence artificielle, entraînement et évaluation de modèles.
– En fonction de l’intérêt de la personne, implication possible dans les discussions sur le rôle de l’initiative Deepfaune dans les programmes de suivis en écologie.

Profil du candidat :
Débutant.e.s accepté.e.s, expérience appréciée.

Formation et compétences requises :
Savoirs :
– Expérience de la gestion de données
– Connaissances en intelligence artificielle (optionnel)

Savoir-faire :
– Bonne maitrise de Linux et du bash
– Bonne maitrise de Python
– Bonne maitrise de la gestion de projet avec git
– Maitrise courante de l’anglais professionnel

Savoir-être :
– Capacité organisationnelle importante
– Attention marquée aux aspects partenariaux et relationnels
– Autonomie
– Intérêt pour la faune sauvage et la biodiversité (optionnel)

Adresse d’emploi :
Campus CNRS de Montpellier.

L’agent sera affecté au Centre d’Ecologie Fonctionnelle et Evolutive à Montpellier (CEFE) sous la responsabilité de Simon Chamaillé-Jammes. L’agent travaillera en proche collaboration avec Vincent Miele (Laboratoire d’Ecologie Alpine, Chambery), qui codirige l’initiative Deepfaune avec S. Chamaillé-Jammes. Des échanges fréquents avec Gaspard Dussert, doctorant sur l’initiative Deepfaune, ainsi qu’avec Bruno Spataro, ingénieur informatique, tous deux basés au Laboratoire de Biométrie et Biologie Evolutive à Lyon. De nombreuses interactions se feront à distance en visioconférence, mais des missions régulières à Chambery ou Lyon sont à prévoir.

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : IMT Atlantique
Durée : 24 months
Contact : ronan.fablet@imt-atlantique.fr
Date limite de publication : 2024-10-15

Contexte :
As part of AI Chair OceaniX and a national initiative for the development of neural approaches for ocean monitoring, modeling and forecasting ocean dynamics, we open research engineer and postdoc positions to join the INRIA Odyssey team and the Mathematical and Electrical Engineering department at IMT Atlantique, Brest, France.

Sujet :
Additional information is available here: https://institutminestelecom.recruitee.com/l/en/o/ingenieur-r-d-deep-learning-ocean-cdd-24-mois

Contact: ronan.fablet@imt-atlantique.fr

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
IMT Atlantique, Brest, France

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Géosciences Environnement Toulouse
Durée : 2 ans
Contact : david.baratoux@ird.Fr
Date limite de publication : 2024-10-31

Contexte :
Le ou la candidate recrutée prendra part au Programme PEPR Sous-Sol portant sur l’amélioration des méthodes et des données mises en œuvre dans l’Analyse du Cycle de Vie (ACV), pour une évaluation environnementale cohérente, complète et représentative des utilisations du sous-sol (Projet LCA-SUB, ou Projet Cible 6 du PEPR Sous-Sol), porté par un consortium piloté par le BRGM et l’université de Bordeaux. Plus précisément, le ou la candidate devra prendre part principalement au work package n°3 du projet, tel que défini ci-dessous.

Le work package concerné a pour objectif de développer des méthodes pour produire une cartographie des empreintes spatiales et temporelles sur les terres et les eaux continentales des impacts de l’exploitation minière à l’échelle régionale et mondiale. Cette tâche vise à améliorer de manière significative la façon dont l’occupation et la transformation des terres sont abordées dans les approches Life Cycle Thinking (LCT), en tirant parti de l’utilisation d’images satellites, en particulier à partir des séries temporelles des satellites Sentinel 2 (visible et proche infrarouge, programme Copernicus de l’UE) qui permettent d’étudier la dynamique d’un site minier dans le temps (potentiellement >1 image/mois) à proximité de la mine et à l’échelle régionale. Des approches seront également développées pour quantifier l’impact sur la qualité des sols, sur la base des développements récents des capteurs hyperspectraux embarqués.

Cette approche sera menée en parallèle avec une analyse des flux physiques entrant et sortant de l’environnement minier (eau, énergie, polluants, minerai extrait) et une analyse de l’impact de la mine, vu de l’espace, à différentes échelles (Inventaire de Cycle de Vie). Une attention particulière sera portée sur les sites miniers actifs sources de contaminations environnementales ainsi que sur les sites miniers abandonnés.

Le work package concerné consistera également en une analyse croisée des flux physiques et de la chaîne de valeur des métaux consommés en France et extraits dans les pays du Sud. Ce travail de territorialisation des stocks et des flux de certains métaux conduira à caractériser les points chauds socio-écologiques des chaînes d’approvisionnement considérées. Il s’agira alors d’extraire, d’analyser et de modéliser les données des bases existantes (ecoinvent.org, prosum.geology.cz, minerals4eu.brgm-rec.fr, FutuRaM, etc.) en vue de reconstituer les secteurs. Une interaction étroite sera assurée avec le BRGM, qui a codéveloppé plusieurs de ces bases de données.

Plusieurs cas seront étudiés, en Afrique de l’Ouest (Côte d’Ivoire & Ghana) et Amérique du Sud (Pérou), et pour plusieurs métaux, en particulier l’or et le lithium.

Sujet :
PEPR – Sous-Sol Bien Commun
Plateforme sur l’évaluation environnementale et la pensée cycle de vie pour une utilisation durable du sous-sol

Profil du candidat :
Expériences en traitement d’images satellite, expérience en analyse de données (data scientist), expérience en intelligence artificielle appliquée aux données de télédétection serait un plus.
Autonomie de travail.
Langues : anglais – français – espagnol
Capacité d’adaptation à différents milieux culturels.
Des expériences de travail hors académie seraient appréciées.

Formation et compétences requises :
Expériences en traitement d’images satellite, expérience en analyse de données (data scientist), expérience en intelligence artificielle appliquée aux données de télédétection serait un plus.
Autonomie de travail.
Langues : anglais – français – espagnol
Capacité d’adaptation à différents milieux culturels.
Des expériences de travail hors académie seraient appréciées.

Adresse d’emploi :
Géosciences Environnement Toulouse,
14, Avenue Edouard Belin
31400 Toulouse, France

Le chercheur sera amené à réaliser des missions de terrain de plusieurs mois en Afrique de l’Ouest et en Amérique du Sud (Pérou).
Des séjours de plusieurs semaines dans les locaux du BRGM (Orléans) sont également à prévoir, afin d’assurer l’articulation avec le reste du projet.

Document attaché : 202410161147_Fiche_Poste_PEPR_bilingue.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LORIA
Durée : 2 ans
Contact : lydia.boudjeloud-assala@univ-lorraine.fr
Date limite de publication : 2024-11-12

Contexte :
Artificial Intelligence, with the advent of Deep Learning, has recently enabled spectacular advances in various fields of scientific research. It is now currently used in fields such as chemistry and molecular biology, astrophysics, particle physics, health science, etc. The aim of this post-doctoral position is to explore some possible applications of Deep Learning to materials science.

Sujet :
Post-doctoral position
Deep learning in materials science : predicting
macroscopic properties of a material by
analyzing its microscopic structure

Profil du candidat :
Mots-clés : machine learning, données image
Le candidat devra être titulaire d’un doctorat en Informatique.

Formation et compétences requises :

Adresse d’emploi :
LORIA – site de Metz
Ecole CentraleSupelec

Document attaché : 202409121054_MAMIENOVA_post-doc.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ETIS/CYU
Durée : 1 an
Contact : dan.vodislav@u-cergy.fr
Date limite de publication : 2024-11-15

Contexte :
CY Cergy Paris Université (CYU) a lancé en 2019 le Bachelor « Data Science and Big Data Technology » en collaboration avec la Zhejiang University of Science and Technology (ZUST), à Hangzhou, en Chine, et en 2020 le Bachelor « Data Science » en collaboration avec l’Université de Maurice (UoM).

Sujet :
Nous recrutons un MCF contractuel (service d’enseignement de 192 heures) en informatique, pour un CDD initial d’un an, dès que possible t au plus tard début janvier 2025, avec la volonté de proposer par la suite une extension avec un contrat de 3 ans.
Le service d’enseignement sera partagé entre les deux Bachelors et d’autres enseignements au sein du département
de sciences informatiques de CYU. L’enseignement dans les deux
Bachelors se fait en Chine (en français), respectivement à Maurice (en anglais), lors de séjours de quelques semaines sur place.
L’enseignant-chercheur recruté sera intégré au laboratoire ETIS, possiblement dans l’équipe DATA&IA, sur des
thématiques de recherche autour de l’intégration et l’analyse de grandes masses de données de divers types.

Profil du candidat :
Voir la fiche de poste sur le site de CY Tech Sciences et Techniques, rubrique Recrutements:
https://cytech.cyu.fr/lecole-cy-tech/institut-sciences-et-techniques
Date limite des candidatures: 25/10/2024

Formation et compétences requises :
Titulaire d’un doctorat en informatique.
Expérience dans l’enseignement supérieur en informatique.
Capacité à enseigner en français et en anglais.

Adresse d’emploi :
CY Cergy Paris Université
Site Saint Martin
2 avenue Adolphe-Chauvin
95300 Pontoise

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISIC – Univ. Littoral Côte d’Opale
Durée : 24 months
Contact : esteban.bautista@univ-littoral.fr
Date limite de publication : 2024-11-15

Contexte :
The Industrial Internet of Things (IIoT) connects industrial devices, sensors, and machines to the internet, facilitating real-time data exchange. Detecting anomalies in IIoT systems is critical for ensuring security and operational efficiency. Anomalies can arise from two main data sources: communication logs, where devices are vulnerable to attacks or intrusions, and measurements, where equipment issues can disrupt production. While IIoT data can be very well modeled as an attributed temporal graph, most approaches tackle the above challenges using graph or time-series approaches, which often results in loss of important information. This postdoc project proposes to develop new algorithms that directly analyze temporal graphs, capturing both dynamic and structural information to improve anomaly detection in IIoT systems.

Sujet :
The recruited postdoc will collaborate with us on three research axes:
————————–
1. Temporal graph-based auto-encoder architecture.

We aim to build an anomaly detector based on an auto-encoder architecture that extends time-series and static graph ones to temporal graphs. We plan to address this challenge by building upon recent results that combine graph theory and signal processing into a unified formalism for temporal graphs.

————————–
2. Detection of network intrusions and attacks in communication logs.

We plan to evaluate the proposed architecture in real-world IIoT traffic datasets that capture various types of intrusions and
attacks. We would like in particular to exploit the properties of the latent space to localize the anomalous temporal graph region.

————————–
3. Detection of faults in IIoT measurements.

We aim to explore whether capturing the non-stationary dependencies of sensor measurements through temporal graphs can enhance the time-space localization of anomalies in applications such as machine health monitoring and transportation network monitoring.

Profil du candidat :
We look for highly motivated candidates with relevant experience in anomaly detection, graph machine learning, and/or deep learning. Experience in Python programming, cybersecurity and/or streaming algorithms is a plus. Ideal candidates will have a publication record in selective AI conferences.

Formation et compétences requises :
PhD in computer science or related fields.

Adresse d’emploi :
Saint-Omer, France

Document attaché : 202410062130_postdoc_ADIIOT_description_.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : CNRM
Durée : 16 months
Contact : laure.raynaud@meteo.fr
Date limite de publication : 2024-11-21

Contexte :
This position is part of the Chair EXPLEARTH, endorsed by the ANITI Institute (https://aniti.univ-toulouse.fr/). The main objective of EXPLEARTH is to develop a new generation of weather prediction systems, based on hybridisation of traditional physical models and state-of-the art ML methods, allowing for increased accuracy and timeliness in a cost-effective way.

Sujet :
Currently operational weather forecasts rely on physically-based modelling approaches, and Numerical Weather Prediction (NWP) models are operated to determine atmospheric conditions for the next hours and days. The configuration choices of NWP models are still strongly constrained by computational resources, which implies in particular limitations on the horizontal resolution. Current operational systems run with a resolution around 10 km at the global scale, and around 1 km at the regional scale, at best.
A cheaper alternative to the explicit increase of the computational grid (also known as dynamical downscaling) is statistical downscaling, which aims at learning a relationship between coarse-scale and finer-scale forecasts. This downscaling task is very similar to super resolution in computer vision.
The aim of the position is to develop and evaluate state-of-the-art ML methods for statiscal downscaling applied to the Arome forecasting model operational at Météo-France.

Profil du candidat :

Formation et compétences requises :
The ideal candidate would have the following qualifications :
– A PhD degree in atmospheric sciences, statistics or artificial intelligence
– A strong background in deep learning algorithms, in particular convolutional neural networks and deep generative models (GANs, diffusion models)
– Experience in geophysical problems would be appreciated, at least a strong interest for applied research in atmopsheric physics is highly recommended
– Proficiency with Python programming and AI librairies (PyTorch)
– Experience with processing large volumes of data
– Experience of working in a Linux-based environment
– Aptitude for scientific work, written and oral communication in English, meetings abroad possible
– A scientific curiosity, autonomy, rigor in the interpretation of the results

Adresse d’emploi :
This work will be carried on at the National Centre for Meteorological Research (CNRM), in Toulouse, France. The EXPLEARTH project includes partnerships with CERFACS, EVIDEN, and the Toulouse Institute of Mathematics, among others. The candidate will work in close collaboration with the partners, and will contribute to ANITI activities.

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIS, Aix Marseille Université
Durée : 24 Mois
Contact : raquel.urena@univ-amu.fr
Date limite de publication : 2024-11-30

Contexte :
La transplantation pulmonaire est le traitement ultime de l’insuffisance respiratoire terminale. Il s’agit d’un traitement lourd, coûteux, et présentant des risques pré-, per- et post- opératoires. En particulier, 30% des transplantés pulmonaires présentent à 3 ans une dysfonction chronique du greffon (Chronic lung allograft dysfunction , CLAD) qui, une fois diagnostiquée, laisse une espérance de vie de 2 à 3 ans environ. Or, un récent rapport sur l’état des lieux de la transplantation pulmonaire en France a été réalisé par l’Académie de Médecine cite{academie_nationale_de_medecine}. Un des points soulignés par ce rapport est l’inadéquation, en France, entre les besoins et les capacités en transplantation pulmonaire, entre autres du fait du faible nombre de greffons disponibles. Une des voies d’amélioration pourrait être de mieux cibler les receveurs en fonction de la probabilité de survenue d’un phénomène de rejet. La question médicale est donc “est-il possible d’estimer la probabilité de survenue d’un rejet de greffe pulmonaire chez un patient donné, le receveur d’organe potentiel, afin d’optimiser l’attribution des greffons ?”.

Sujet :
Le but de ce projet est de développer un outil d’estimation de la probabilité de survenue d’un rejet chronique (CLAD). Cela nécessite une modélisation mésoscopique et temporelle.

Des analyses préliminaires (statistiques univariées, multivariées, et approches bayésiennes) ont été conduites afin d’identifier des liens causaux entre les variables. Il s’agira de s’appuyer sur ces résultats afin de construire un modèle de prédiction d’apparition de CLAD.

La première étape sera de modéliser “l’effet centre”, c’est-à-dire les biais liés au bassin de population pris en charge par chacun des centres de greffes (typologie des patients dont les pathologies ayant conduit à la greffe) et aux spécificités de prise en charge des centres de greffe (expertise des centres, modalités de prise en charge).

Dans un second temps, il s’agira de proposer un modèle d’estimation de probabilité de rejet individuel basé sur cet effet centre et, entre autres, sur les séries temporelles associées au suivi clinique de chaque patient. En particulier, il faudra prendre en compte et corriger l’impact de l’évolution de la pratique au cours de la constitution de la cohorte.

Profil du candidat :
Nous recherchons une personne ayant obtenu un doctorat en modélisation mathématique et/ou en apprentissage automatique/intelligence artificielle, avec un intérêt marqué pour l’application de ces techniques dans le domaine de la santé. Une expérience dans le domaine médical serait appréciée, mais n’est pas indispensable.

Compétences requises :

– Compétences solides en programmation Python, avec une maîtrise des bibliothèques scikit-learn, PyTorch, Keras et TensorFlow.
– Solide connaissance des méthodes de machine learning et de deep learning.
– Liste solide de publications dans des revues et conférences internationales dans les domaines de la modélisation mathématique et/ou de l’intelligence artificielle.
– Très bon niveau d’anglais (écrit et oral)

Formation et compétences requises :

Adresse d’emploi :
Aix Marseille Université, Marseille, France

Document attaché : 202407110803_Analyse_de_l_activité_de_greffe_pulmonaire_en_France___vers_une_prédiction_du_rejet_chronique.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : PhyMedEx (Lab. Physiologie et Médecine Expérimenta
Durée : 4 ans
Contact : claire.daien@umontpellier.fr
Date limite de publication : 2024-11-30

Contexte :
Les travaux s’effectueront au sein du laboratoire Physiologie et Médecine Expérimentale, PhyMedEx, (UMR Inserm, UM, CNRS), avec un accès aux données de PROMESS, une cohorte nationale unique suivant longitudinalement des sujets à risque de développer la polyarthrite
rhumatoïde et hautement phénotypés en terme d’exposome, données cliniques et biologiques. Le(la) professeur(e) junior(e) aura également accès aux données expérimentales du laboratoire, notamment de modèles de souris humanisées avec des microbiotes de patients et de tests fonctionnels in vitro à partir de sérum de patients. Elle pourra également avoir accès aux données de l’entrepôt de données de santé du CHU de Montpellier.

Sujet :
La CPJ aura pour objectifs de générer des modèles de prédiction et hypothèses biologiques pour expliquer la survenue de la polyarthrite rhumatoïde à l’aide d’IA à partir des données :
– en libre accès dans la littérature,
– des modèles expérimentaux du laboratoire,
– de la cohorte PROMESS.
Les hypothèses biologiques et variables de prédiction qui sortiront de cet apprentissage seront ensuite validées sur des modèles expérimentaux afin de nourrir l’apprentissage automatique du modèle.
La CPJ utilisera ensuite une cohorte virtuelle pour évaluer les performances du modèle de prédiction.

Profil du candidat :
Expertise en intelligence artificielle analytique classifiante sur données hétérogènes complexes.
Profil mathématiques ou bio-informatique,

Formation et compétences requises :
Epreuve de titre permettant de répondre au pré-requis de professeur des universités dans 4 ans

Adresse d’emploi :
Laboratoire de Physiologie et Médecine Expérimentale du coeur et des muscles (PHYMEDEXP) – UMR 9214, U 1046 et UFR Médecine Montpellier-Nîmes. Université de Montpellier

Document attaché : 202407091552_CPJ_CHIARA_FOPC_0342490X_214.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Bordeaux Sciences Economiques
Durée : 2 ans
Contact : ola_nag@ukr.net
Date limite de publication : 2024-11-30

Contexte :
https://emploi.cnrs.fr/Offres/CDD/UMR6060-ANNHOR-002/Default.aspx

Ce poste est rattaché au CNRS Aquitaine. Crée en 1939, le CNRS (Centre National de la Recherche Scientifique) fait partie des plus grands et meilleurs centres de la recherche mondiale.
Il est localisé à BSE (Bordeaux Sciences Économiques, UMR CNRS 6060), l’un des plus grands centres de recherche en économie en France.

Sous la responsabilité d’un ingénieur de recherche CNRS, spécialisé en traitement et analyse de données par les techniques IA, vous serez amené à échanger avec les partenaires du projet pour se coordonner sur la réalisation des activités prévues. Ce poste s’inscrit dans le projet Interreg Atlantique ADT4Bleu réunissant 13 partenaires dans 4 pays (France, Irlande, Portugal et Espagne) qui vise à encourager, soutenir et accélérer les solutions numériques avancées (tels que l’IoT, l’IA et la blockchain) pour l’économie bleue dans l’espace Interreg Atlantique.

Bonus :
– les tickets de transport publique domicile-travail (75% remboursés)
– Accès au restaurent professionnel CNRS
– Les activités sportives et culturelles proposées par CNRS et Université de Bordeaux

Déplacements ponctuels à l’étranger à prévoir

Sujet :
Dans le cadre du projet européen ADT4Bleu (Advanced Digital Technologies for the Blue Economy), votre mission sera de participer aux activités visant à soutenir et accélérer les solutions numériques avancées pour l’économie bleue, notamment dans les secteurs : économie renouvelable, pêche, tourisme, transport maritime, logistique, sports aquatiques, etc.
Dans le périmètre technologique Intelligence artificielle, IoT et Blockchain, le projet ADT4Bleu envisage de lancer 3 appels à participation pour choisir les idées et les équipes pour implémenter les solutions avancées.

Profil du candidat :
– Collecte d’informations concernant les activités régionales (Nouvelle Aquitaine) autour de l’économie bleue : les entreprises, le cluster d’innovations
– Analyse et traitement des données automatique (NLP, IA)
– Organisation des évènements de networking
– Recherche et contact des participants, financeurs
– Enseignement
– Préparation des rapports
– Faire la veille sur un écosystème d’innovation
– Échanges réguliers avec des partenaires du projet

Formation et compétences requises :
Compétences

– Anglais C1
– Analyse et collecte des données automatique (NLP, IA, Scrapping, python, R)
– Connaissance de l’infrastructure de l’innovation régionale
– Très bonnes capacités de communication et de rédaction
– Bon relationnel
– Curiosité sur les questions économiques
– Possibilité de suivre des formations pour acquérir les compétences manquantes
– Une connaissance des technologies IA, IoT, Blockchain est un plus

Adresse d’emploi :
PESSAC

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : CNRS UMR 8256
Durée : 2 ans
Contact : christian.neri@inserm.fr
Date limite de publication : 2024-11-30

Contexte :
ANR project
Brain-C Lab, Institute of Biology Paris-Seine (IBPS), Paris
see http://www.ibps.upmc.fr/en/research/biological-adaptation-and-ageing/brainc

interested candidates should immediatly send a letter of motivation, a full CV and the names and emails of two-three references to christian.neri@inserm.fr and lucile.megret@sorbonne-universite.fr

Sujet :
A 2-year position is immediately available in the Brain-C Lab in Paris to address outstanding questions about the temporal and molecular dynamic of neurodegenerative disorders and define new therapeutic rationales for early-stage intervention in these disorders. The successful applicant will will use the machine learning methods available in BioGemix —our machine learning platform for biological precision in leveraging complex omics data— to analyze complex omics data obtained in models of amyotrophic lateral sclerosis (ALS) and compare resulting models to computational models of neurodegenerative disorders such as Huntington’s disease (HD). In collaboration with mathematicians and bioinformaticians inside and outside the team, The successful applicant will also have the possibility to develop innovative machine-learning approaches for modelling and simulating gene regulatory networks and for optimal target selection. This position is a unique opportunity to further develop expertise and skills in a multidisciplinary team and network of direct collaborators that cover systems modeling, cellular neurobiology and preclinical/clinical research.

Profil du candidat :
The candidates are expected to be highly-qualified and to have strong collaborative skills and commitment to team work along with strong ability to work independently, and to have track record of expertise & writing papers as demonstrated by publications and pre-prints. The position is full time and on site, and candidates should have less than 5 years of postdoctoral experience and a strong interest for research.

Formation et compétences requises :
Training and required skills:
Candidates should hold a Ph.D. in Informatics/Bioinformatics or Mathematics or Probability & Statistics or Physics. Candidates that hold a diploma from high-profile Engineer Schools (e.g. Ecole Polytechnique, Supelec, Centrale, EPFL, ETZ) are welcome to apply.
• Demonstrated experience and autonomy in probability and statistics for the analysis of complex datasets (probabilistic models, R)
• Data modeling skills, e.g. application of optimal transport and network inference concepts to omics data analysis.
• Good autonomy in machine programming (at least one of the following languages: Python, C/C++, Java).
• Skills in database management or web technologies (javascript, Php) are desirable but not mandatory.
• Knowledge of genome sciences and omics technologies will be a plus.

Adresse d’emploi :
Employment address:
IBPS, Campus de Jussieu
9 Quai St Bernard
75005 Paris – France

Document attaché : 202407161554_Annonce_bioinfo_poste_Postdoc_2024.pdf

Offre en lien avec l’Action/le Réseau : DOING/Doctorants

Laboratoire/Entreprise : IRL2020 – ILLS (International Laboratory on Learni
Durée : 18 months
Contact : pablo.piantanida@mila.quebec
Date limite de publication : 2024-11-30

Contexte :

Sujet :
Bonjour (English below),

Offre de post-doc de 18 mois au ILLS – MILA, McGill – ETS – CNRS – CentraleSupélec – Université Paris Saclay

Titre : Reinforcement Learning for Robust Decision-Making and Dispatcher Assistance in Power Grids
Date de prise de poste souhaitée : October – November 2024

Candidature à envoyer avant le 20/09/2024 à :
pablo.piantanida@mila.quebec

L’offre détaillée est jointe à ce message.

Bien cordialement,
Pablo Piantanida

——

Hello,

18-month Post-doc Opportunity at ILLS – MILA, McGill – ETS – CNRS – CentraleSupélec – Université Paris Saclay

Title: Reinforcement Learning for Robust Decision-Making and Dispatcher Assistance in Power Grids
Preferred Start Date: October – November 2024

Applications should be sent before 09/20/2024 to:
pablo.piantanida@mila.quebec

The detailed offer is attached to this email.

Best regards,
Pablo Piantanida

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Montréal, QC, Canada

Document attaché : 202409060152_Postdoc_RTE_LaJavaness_ILLS.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Université de Genève, Département d’informatique
Durée : Indéterminée
Contact : jonas.latt@unige.ch
Date limite de publication : 2024-11-30

Contexte :
Le Département d’Informatique de la Faculté des Sciences, très dynamique, est impliqué dans de nombreux projets de recherche financés par le FNS, l’EU, l’industrie et d’autres fondations. Le Département d’Informatique offre une formation de bachelor, master et doctorat complète, axée à la fois sur les concepts théoriques de base de l’informatique, de la maîtrise des outils correspondants et de leurs applications multidisciplinaires dans des domaines aussi variés que l’informatique théorique, les preuves formelles, la théorie de l’information, le calcul à haute performance, la modélisation et la simulation numérique, la bioinformatique, etc.

Sujet :
Le Département d’informatique de la Faculté des sciences de l’Université de Genève est à la recherche d’un-e

professeur-e assistant-e ou associé-e dans le domaine de l’Informatique scientifique

Nous recherchons un-e candidat-e ayant une connaissance approfondie des méthodes informatiques, de leurs fondements théoriques et de leurs applications à des problèmes réels, éventuellement combinées à des techniques d’intelligence artificielle et/ou d’optimisation. Les candidat-es travaillant sur des modèles de calcul innovants sont les bienvenu-es.

Ce poste implique des tâches de recherche et d’enseignement, la direction d’un groupe de recherche, la collecte de fonds pour la recherche et la participation à la gestion du département d’informatique.

Les candidatures peuvent être soumis sur la page
https://jobs.unige.ch/www/wd_portal.show_job?p_web_site_id=1&p_web_page_id=67082

Les candidatures envoyées par mail ne sont pas prises en compte.

Profil du candidat :

Formation et compétences requises :
La candidate / le candidat doit être titulaire d’un doctorat en informatique ou équivalent.

La candidate / le candidat doit être capable d’enseigner en français et en anglais les cours de base en informatique, comme l’algorithmique, le calcul haute performance, la modélisation et la simulation.

Adresse d’emploi :
Université de Genève
Département d’informatique
Route de Drize 7
1227 Carouge
Suisse

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Biostatistics and Spatial Processes, INRAE
Durée : 18 months
Contact : samuel.soubeyrand@inrae.fr
Date limite de publication : 2024-12-01

Contexte :
You will be based at the BioSP research unit (Biostatistics and Spatial Processes) in Avignon, and collaborate with researchers from INRAE and Cirad at Avignon, Montpellier and Rennes. You will specifically work with Samuel Soubeyrand (INRAE, Avignon) and Virginie Ravigné (Cirad, Montpellier), and be involved in the IRIS project dedicated to better understanding and monitoring biological regulation services. This topic is approached in the IRIS project both from a general and methodological perspective, and throughout the study of a specific context, namely the citrus production in Corsica.

The rational underlying the project is to envision and implement a proof of concept of a multidimensional, integrative surveillance of the biological diversity (instead of the traditional surveillance in silo of specific pests) contributing both to the sanitary risk and to their mitigation.

Sujet :
Your work in this project will consist in carrying out original research aiming at modeling and inferring the links between the characteristics of the landscapes and the local capacities of pest regulation. You will characterize landscapes with classical indicators related to land use, climate, geology, anthropization, etc., and more original indicators reflecting connectivity between the diverse landscape components. Then, you will infer landscape-regulation links with multidimensional models allowing you to take into account the interaction within the community (for instance, models considered in statistics, machine learning, species distribution modeling, or even hybrid models encompassing mechanistic components), with the additional challenge of incorporating in these analyzes connectivity data. This part of the research will be based on accurate spatial diversity data collected during the project in the citrus production areas in Corsica and processed with metabarcoding and high throughput sequencing techniques. The deliverables of your work will be high level scientific publications, a computer code for producing landscape characteristics and inferring landscape-regulation links, and a dynamic map of potential natural regulation (and its counterpart, namely pest risk).

Profil du candidat :

Formation et compétences requises :
Background in quantitative ecology, community ecology, statistics or other related domains that led you to work on interacting processes and to analyze complex data.

Adresse d’emploi :
https://jobs.inrae.fr/en/ot-22941

Offre en lien avec l’Action/le Réseau : HELP/– — –

Laboratoire/Entreprise : LIFAT Université de Tours
Durée : 18 mois
Contact : nicolas.labroche@univ-tours.fr
Date limite de publication : 2024-12-01

Contexte :
The Junon project aims at building AI tools for making predictions about environmental objects. The first issue and main scientific challenge of the Prediction project within Junon are to propose new predictive AI methods adapted to the specific features of environmental problems such as multi-source and heterogeneous data, non-stationarity, adaptation for digital twins transfer, and reusability and evaluation of the proposed model.

This post-doc takes place in the Prediction and more precisely in the evaluation process of AI models for digital twins with the development of new algorithms for the explainability of AI/ML models, also termed as eXplainable Artificial Intelligence (or XAI for short).

Current XAI approaches suffer from two main limitations. The first is related to the complexity of the explanation process itself, which involves the particular characteristics of “the training data, the precise shape of the decision surface, and the selection of one explanatory algorithm over another”. As a result, there is a risk of accepting plausible explanations that only reflect spurious correlations between internal layers of DL with input features. Bordt (2022) emphasizes the need for explanations methods “that cast doubt on certain features of AI systems”. These results call for (i) a more thorough consideration of inner relationships in the data and how models use this information, (ii) methods to assist users in selecting explanation methods based on objective metrics. The second limitation is related to the lack “of XAI approaches tackling real-world machine learning issues” that would “help to clarify what is currently feasible and what is not feasible when employing XAI techniques”..

Sujet :
The Junon post-doc aims to address fundamental issues related to the quality and the applicability of explanations produced for DL models driven by the recent vision of actionable explainable AI (aXAI). In particular, we focus on more expressive forms of explanations that can answer not only why questions but also action-guiding explanations such as how-to and what-if as illustrated hereafter :

• why: why do we obtain a specific prediction, given the features of input observations?\
• how-to: what are the necessary actions to change the prediction of a specific input observation?
• what-if: what are the necessary and minimal sets of actions on input observations required to obtain an alternative prediction?

During the postdoc we envision several research questions attached to the aforementioned objectives of quality and applicability of XAI approaches:

Benchmark existing quality metrics (Nauta, 2023) for the task of explanations exploration

The recruited post-doc will contribute with a preliminary literature survey on explanation quality metrics for feature influence, counterfactual, or other causal explanation methods. An emphasis will be made on coherence with the predictive model and plausibility as an alignment with user knowledge (see next item), but also accuracy to ground-truth or alternative solutions with diversity. The post-doc may produce a reference implementation library for these metrics.

Model prior knowledge from BRGM experts and derive new quality metrics for explanations based on their covering, novelty, or interestingness

Modeling of prior knowledge will likely be based on causal models and knowledge graphs. Novelty and interestingness metrics will take inspiration from what is done in Exploratory Data Analysis (EDA) that have a long record of research works to guide the user towards interesting patterns or insights hidden in very large databases.

Build a user-oriented protocol and carry out user studies with BRGM experts
The goal is to qualify how well quality measures match the expert’s expectations in terms of quality, and whether it is possible to learn better explanation quality measures (i.e. depending on the context of the analysis and previous analysis as done in exploratory data analysis). Different use cases will be considered, such as debugging the ML model for digital twins, understanding predicted parameters for a simulation model like Gardenia, and observing common and distinctive important factors from one predictive problem to the next (e.g. snalysis of similarities between prediction of underground water resources in different places).

In conjunction with the ARD Junon project team, the successful candidate will be responsible for implementing the research program outlined in the preceding three points in consultation with their supervisor and the project partners. The successful candidate will also be involved in the animation of research groups interested in XAI such as (but not limited to) Explain’AI (GT EGC), Help (GdR Madics), Explicon (GdR RADIA).

Profil du candidat :
PhD thesis in Computer Sciences

Formation et compétences requises :
PhD in Computer Science, specializing in artificial intelligence (explainability, possibly deep learning), experience in processing temporal data (multivariate time series and multivariate event sequences). Experience working with libraries offering implementations of XAI and deep learning models. Experience in setting user protocol would be appreciated.

Adresse d’emploi :
The hired candidate will work in Tours, Faculté des Sciences et Techniques, avenue Monge 37200 Tours. This is a fully in-office position, although one day a week of remote work may be allowed by the supervisor.

Document attaché : 202410140745_post_doc_Junon.pdf

Offre en lien avec l’Action/le Réseau : – — –/Innovation

Laboratoire/Entreprise : Pôle d’Etudes et de Recherche de Lacq (PERL) de l
Durée : 12 mois
Contact : sebastien.laborie@iutbayonne.univ-pau.fr
Date limite de publication : 2024-12-13

Contexte :
Au sein de la Compagnie TotalEnergies, vous travaillerez auprès d’une doctorante en sciences de l’information et de la communication au Pôle d’Etudes et de Recherche de Lacq (PERL).

Nous vous proposons un Contrat de Professionnalisation Temps Plein qualifiant de 12 mois (100% en entreprise) incluant 15% de formation interne (métier, linguistique, outils…) dispensée par des organismes sélectionnés par TotalEnergies. Ce contrat vous permettra d’acquérir une année d’expérience professionnelle tout en étant formé aux spécificités de votre métier en lien avec les activités de la Compagnie. Un réel atout pour booster votre employabilité !

Pour postuler à cette offre, vous devez impérativement posséder à la date d’embauche, un titre de séjour valide pour la période couverte par cette offre (minimum 13 mois). Attention, la conclusion de ce contrat de professionnalisation temps plein ne permet pas la délivrance d’un titre de séjour (article R.5221-6 du Code du travail).

Ce poste ne s’adresse pas aux personnes recherchant une alternance avec une école ou une formation diplômante, mais aux personnes récemment diplômées à la recherche d’une première expérience professionnelle.

Sujet :
Une partie de ce travail consiste à automatiser l’analyse de corpus d’articles de recherche, au vocabulaire expert en physique et chimie notamment, afin d’extraire des concepts compréhensibles par le service de communication. L’hypothèse est faite qu’une base de connaissance intégrant à la fois les vocabulaires scientifiques et grand public des communicants permettra de mettre à disposition de tels corpus spécialisés à travers une application.

Un premier prototype de cette application a été développé, et vise à faciliter la compréhension des sujets de R&D ainsi que la gestion et le partage d’informations issus de corpus composés notamment d’articles de recherche. Le prototype correspondant, développé en Python, JavaScript (Angular) et Java 1, constitue une preuve de concept concluante.

Nous souhaitons procéder au développement d’une nouvelle version de l’application intégrant l’extension et/ou la proposition de nouvelles fonctionnalités.

Pour en savoir plus : https://hal.science/hal-04107928/

Profil du candidat :
Nous recherchons au PERL à Lacq (64300), un(e) Ingénieur(e) logiciel débutant(e) F/H pour le Développement d’une application pour la communication R&D, à partir de novembre 2024.

Les missions du poste seront les suivantes :

– Prise en main du prototype,
– Effectuer des revues de code,
– Réalisation d’une nouvelle phase de test auprès des utilisateurs,
– Rédaction d’un nouveau cahier des charges (extension de fonctionnalités, nouvelles fonctionnalités…) ,
– Développements de nouvelles fonctionnalités (côté “front” et côté “back office”),
– Travailler de manière collaborative.

Formation et compétences requises :
Vous êtes récemment diplômé(e) d’un BAC+5 en Informatique ? Débutez votre carrière au sein d’une entreprise engagée aux multiples facettes et venez apprendre auprès d’équipes internationales expérimentées !

Fort(e) de vos précédentes expériences, vous avez des compétences en développement de logiciel ?

Vous savez programmer avec Python, JavaScript (Angular) et Java ?

Vous pouvez travailler sur la base d’un code déjà existant ?

Vous avez la capacité de vulgariser, d’expliquer votre travail à des personnes non-informaticiennes ?

Vous savez travailler en autonomie ?

Vous êtes rigoureux, à l’écoute et avez un bon esprit d’équipe ?

Vous avez une bonne capacité de rédaction en français ?

Adresse d’emploi :
PERL à Lacq (64300)

Site web : https://cstjf-pau.totalenergies.fr/fr/nos-sites/le-perl

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Université dArtois/Centre de recherche en informat
Durée : 18 mois
Contact : wissem.inoubli@univ-artois.fr
Date limite de publication : 2024-12-23

Contexte :
Le Centre de recherche en informatique de Lens (CRIL) le l’équipe FOX de Centre de Recherche en Informatique signal et Automatique de Lille (CRIStAL) recrutent un post-doctorant pour une durée de 18 mois dans le domaine de l’apprentissage profond,
de préférence avec une expertise en apprentissage sur graphes.

Sujet :
Le contexte scientifique se concentre sur les Graph Neural Networks (GNN), un type de réseau de neurones qui a connu une croissance remarquable dans une large gamme d’applications, y compris la vision par ordinateur, la bioinformatique, la finance, la chimie et bien d’autres. Cette popularité découle de leur capacité à identifier des motifs et des caractéristiques complexes, souvent cachés, au sein des données. Cependant, comme d’autres modèles d’apprentissage profond, les GNN font face à des défis liés à l’optimisation des hyperparamètres. En plus de ces défis généraux, les GNN rencontrent des problèmes spécifiques, tels que le phénomène d’over-smoothing. Ce problème survient lorsque des représentations similaires (ou même identiques) sont attribuées à la plupart, sinon à tous, les noeuds du graphe, compliquant ainsi les tâches de classification ou de régression en limitant la capacité du modèle à différencier ou à généraliser entre les noeuds. Au-delà des défis de modélisation et d’optimisation des GNN, d’autres problèmes majeurs se posent lors de l’entraînement de ces modèles, cette fois liés aux données plutôt qu’au modèle lui-même. Ces défis incluent : (i) La complexité algorithmique lors de l’entraînement des GNN, surtout lors de l’utilisation de grands ensembles de données tels que les images hyperspectrales. (ii) Un deuxième défi, bien qu’abordé dans d’autres types de données complexes tels que les images médicales spatio-temporelles 4D.

Les travaux de recherche pour ce poste postdoctoral seront menés conjointement entre les deux laboratoires. L’objectif est de proposer un modèle équitable (FAIR) et distribué pour traiter la complexité algorithmique dans l’apprentissage tout en s’attaquant aux défis sous-jacents tels que la communication, l’équilibrage de charge dans le traitement distribué et la partition des données. Les activités de recherche postdoctorale se dérouleront en quatre phases :
1. Revue de la littérature sur les systèmes d’apprentissage décentralisés et les
méthodes/algorithmes pour l’apprentissage sur graphes.
2. Proposition d’un modèle/architecture distribué pour l’apprentissage sur graphes.
3. Amélioration du modèle proposé pour éviter le biais d’apprentissage.
4. Validation des deux modèles dans des cas d’utilisation : classification d’images à haute
dimension et/ou segmentation sémantique d’images à haute dimension (HSI, IRM, CT, etc.)

Profil du candidat :
La personne recrutée sera titulaire d’un doctorat en informatique (spécialité Intelligence Artificielle et apprentissage profond de préférence), avec des connaissances en systèmes distribués.
Une forte capacité d’interaction : compréhension des besoins et argumentation des choix (à l’oral et à l’écrit) est requise. Des compétences en développement (pytorch, pytorch geometric, etc) sont nécessaires.

Formation et compétences requises :

Adresse d’emploi :
Centre de recherche en informatique de Lens