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

Laboratoire/Entreprise : ISAE-SUPAERO
Durée : CDI
Contact : emmanuel.rachelson@isae-supaero.fr
Date limite de publication : 2025-04-30

Contexte :
L’Institut Supérieur de l’Aéronautique et de l’Espace (ISAE-SUPAERO) est une institution de référence internationale pour la formation supérieure et la recherche dans le domaine aéronautique et spatial. Elle développe des formations pluridisciplinaires de haut niveau scientifique et pilote une recherche active être connue sur un très large spectre de domaines qui va au-delà de l’aéronautique et de l’espace, comme l’énergétique et les systèmes autonomes. Ces activités de formation et de recherche, pour lesquelles l’Institut est un acteur incontournable par sa double action de formation des futures générations d’ingénieurs et de recherche innovante autour de solutions en rupture technologique, accompagnent la transition énergétique,intègrent les objectifs du développement durable, participent à la réduction de l’empreinte environnementale du transport et contribuent ainsi à la mutation du secteur aéronautique.

Au niveau international, l’Institut est membre de T.I.M.E et PEGASUS et coopère avec les meilleures universités européennes (Cranfield, TU Delft, KTH Stockholm, ETSIA Madrid, TU Munich, Rome, Milan, Turin, …), nord-américaines (MIT, Caltech, Stanford, Berkeley, Georgia Tech…), d’Amérique Latine et d’Asie. La communauté académique de l’ISAE-SUPAERO comprend 142 enseignants, enseignants-chercheurs et chercheurs, plus de1800 intervenants issus du monde académique et de l’industrie et près de 1900 étudiants. Chaque année, près de 40 % des diplômés de l’Institut sont des étudiants internationaux et le réseau des anciens comprend plus de17000 anciens diplômés.

L’activité scientifique de la direction de la recherche et des ressources pédagogiques est organisée selon six départements dont le Département d’Ingénierie des Systèmes Complexes (DISC) qui développe des compétences en mathématiques et informatique pour l’ingénierie aérospatiale. En enseignement comme en recherche, le DISC s’intéresse aux modèles, méthodes et outils nécessaires pour maîtriser le comportement et les performances de systèmes complexes. Le DISC développe des recherches méthodologiques dans ce domaine, ainsi que des applications en collaboration avec les autres départements et des partenaires académiques ou industriels.

Dans ce contexte, l’ISAE-SUPAERO recrute un enseignant-chercheur en intelligence artificielle et apprentissage automatique dont les missions et le profil sont décrits ci-dessous.

Sujet :
Missions en matière d’enseignement

La ou le titulaire du poste intervient en enseignement au profit de l’ensemble des formations de l’Institut :formations ingénieur, masters, mastères spécialisés, formation continue, formation par apprentissage. Elle ou il est amené.e à prendre des responsabilités à hauteur de ses compétences, de son expérience et de sa qualification au sein de ces formations. Elle ou il participe à la réflexion globale et transverse sur les formations déployées.

Sa mission comporte notamment les éléments suivants :

– Concevoir, développer et dispenser des enseignements dans les domaines relatifs à l’intelligence artificielle et l’apprentissage automatique. En particulier, dans ces disciplines, elle ou il contribuera aux enseignements 1) en réseaux de neurones, en incluant les architectures récentes de l’IA dite générative (transformers, LLMs, modèles de diffusion, etc.) ; 2) en optimisation pour l’apprentissage automatique ; et3) en architectures de calcul pour l’apprentissage automatique.

– Prendre la responsabilité de modules de cours dans ces mêmes disciplines. Animer des équipes pédagogiques et un réseau d’intervenants sur ces thématiques et pour ces modules. Entretenir un réseau de praticiens (industriels notamment) et de chercheurs susceptibles de participer aux enseignements et de proposer des projets.

– Participer à l’animation de formations existantes orientées vers les données, l’intelligence artificielle,l’apprentissage automatique et leurs applications, telle que la filière Sciences de la Décision de la Formation Ingénieur généraliste mais aussi d’autres formations de l’Institut sur ces thématiques.

– Assurer une veille stratégique sur l’évolution de ces thèmes scientifiques et de leurs applications. Faire évoluer en conséquence les profils cibles des formations de l’ISAE-SUPAERO.

– Encadrer et suivre des projets d’étudiants à différents stades de leur formation (projets de recherche, stages de fin d’étude, stages de césure, etc.), réalisés au sein des laboratoires de l’Institut ou en externe, dans le cadre de partenariats de recherche ou en entreprise.

– Contribuer à la promotion des formations de l’ISAE-SUPAERO en France et à l’étranger auprès de tous publics (étudiants, recruteurs, grand public, décideurs, etc.).

Missions en matière de recherche

L’enseignant.e-chercheur.e mène une activité de recherche méthodologique et algorithmique en intelligence artificielle et apprentissage automatique au sein de l’équipe Apprentissage, Décision, Optimisation (ADO) du DISC. Ses domaines de recherche sont ouverts et lui permettent d’aborder des thématiques applicatives diverses, en ligne avec les activités de l’ISAE-SUPAERO (aéronautique et espace, mais également génie industriel, robotique, ou environnement par exemple).

Sa mission se décline de la façon suivante :

– Contribuer, sur son périmètre scientifique, aux activités de recherche en intelligence artificielle de l’équipe ADO, en formulant un projet de recherche solide, à la fois original et s’intégrant harmonieusement dans l’activité existante, par exemple en apprentissage automatique, décision séquentielle, vision par ordinateur,optimisation. Établir des collaborations scientifiques au sein de l’équipe.

– Interagir, sur ses domaines de compétence, avec les quatre autres équipes de recherche du DISC, ainsi qu’avec les équipes des autres départements de l’ISAE-SUPAERO. Établir des liens de coopération au sein du département et de l’Institut.

– Contribuer au rayonnement scientifique de l’ISAE-SUPAERO par la publication dans des revues scientifiques, la participation à des conférences et l’organisation de manifestations scientifiques. Participer à l’activité des sociétés savantes appropriées, aux pôles de compétitivité et plus généralement à l’écosystème de recherche local, national et international dans ses thématiques de recherche en intelligence artificielle et apprentissage automatique.

– Participer à l’animation et aux projets scientifiques du département et de l’ISAE-SUPAERO en établissant des collaborations et des actions thématiques pertinentes, en effectuant une veille scientifique sur son domaine de recherche et en assurant la pertinence du projet scientifique de l’ISAE-SUPAERO en regard de ce domaine.

– Encadrer stagiaires et doctorants.

– Participer au développement des outils scientifiques de l’ISAE-SUPAERO dans le cadre de son périmètre de recherche, de projets structurants ou transverses.

– Contribuer au développement des ressources propres de l’Institut, sous forme de partenariats académiques et industriels, de valorisation et de financements de l’activité de recherche. Participer à l’élaboration et à la conduite de projets de recherche locaux, régionaux, nationaux et internationaux, en partenariat avec le milieu académique, l’industrie et les interlocuteurs stratégiques de l’ISAE-SUPAERO.

Profil du candidat :
Profil

La ou le candidat.e est titulaire d’un doctorat en intelligence artificielle ou discipline connexe pertinente pour le poste. Elle ou il démontre des compétences disciplinaires, applicatives et pédagogiques indispensables pour répondre au besoin de formation décrit dans les missions d’enseignement ainsi qu’une forte motivation pour s’investir dans un projet d’enseignement ambitieux. Elle ou il développe un projet de recherche de premier plan dans le cadre décrit par les missions de recherche.

Les candidat.e.s sont fortement encouragé.e.s à prendre contact avec les équipes du DISC afin d’affiner leur projet et de préciser les thématiques et les projets d’intérêt.

Formation et compétences requises :

Adresse d’emploi :
ISAE-SUPAERO
10 avenue Marc Pelegrin
31055 Toulouse

Document attaché : 202503111320_REF 1040_DRRP_DISC – EC IA et apprentissage.pdf

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

Laboratoire/Entreprise : Centre de Génie Industriel / IMT Mines Albi
Durée : CDI
Contact : matthieu.lauras@mines-albi.fr
Date limite de publication : 2025-04-30

Contexte :
École du ministère en charge de l’industrie, IMT Mines Albi est une école de l’Institut Mines-Télécom (IMT), 1er groupe d’écoles d’ingénieurs et de management de France. À l’avant-garde des enjeux industriels et académiques sur la scène internationale, elle agit comme un moteur scientifique et économique territorial en combinant ses 4 missions – former des ingénieurs en intégrant la dynamique du développement durable, faire de la recherche scientifique, contribuer au développement économique et diffuser la culture des sciences, des techniques et de l’innovation – en un cercle vertueux et porteur d’innovation.
Site Internet de l’IMT : https://www.imt.fr/
Son positionnement en matière de formation et de recherche place IMT Mines Albi comme une école de référence sur trois des quatre thématiques de l’IMT, à savoir l’industrie du futur responsable, l’énergie, économie circulaire et société ainsi que l’ingénierie, santé et bien-être. IMT Mines Albi s’est dotée en 2023 et pour une période quinquennale, d’un plan stratégique décliné en 7 grandes actions, répondant aux orientations stratégiques du groupe IMT à laquelle elle appartient.
IMT Mines Albi représente : environ 1000 élèves-ingénieurs et chercheurs en formation, 360 personnels, un budget consolidé de 32 M€, 3 centres de formation et de recherche : Institut Clément Ader Albi (ICA-A), RAPSODEE et Centre Génie industriel (CGI).
Site Internet d’IMT Mines Albi : https://www.imt-mines-albi.fr/
IMT Mines Albi, au travers du CGI, développe des recherches à la frontière entre l’Intelligence Artificielle et le Génie Industriel, en collaboration avec des partenaires publics et industriels nationaux et internationaux. IMT Mines Albi fait partie de l’Institut Carnot MINES.

Sujet :
Ce poste, ouvert au sein d’IMT Mines Albi, est rattaché au Centre Génie Industriel (CGI) qui compte à ce jour environ 70 personnes. Le centre s’intéresse à l’accompagnement de la transition des écosystèmes en permettant de prendre des décisions responsables et durables, dans des environnements instables ou perturbés. Ceci est mis en pratique par la représentation, la modélisation et l’analyse des données de ces organisations afin de formaliser de la connaissance conduisant à la prise de décision dans des contextes hétérogènes, collaboratifs, incertains et/ou perturbés. Il est structuré selon des axes de recherche appliquée et des programmes scientifiques :
Les axes de recherche appliquée sont :
· Axe FLOWS : Flexible Logistics and Operations for sustainable WorldS ;
· Axe DiSCS : Digital Systems for Crisis management and Security ;
· Axe TRACE : Territorial Resilience, Agility, and Circular Economy ;
· Axe WHOPS : Well-being and Health through Organizational Processes and Services.
Les deux programmes scientifiques au cœur de ces axes de recherche appliquée sont :
· HOPOPOP : Hybridization for Operations & Planning, Organizations & Performance, Optimization & Problem-solving ;
· AIMED : Automated Information Modeling and Extraction for Decision-makers.

Profil du candidat :
Le ou la Maître(sse) de Conférence (MCF) recruté(e) aura pour mission de renforcer l’expertise du CGI en matière d’Informatique et plus particulièrement d’Intelligence Artificielle (IA) et Génie Logiciel appliqués au Génie Industriel. Il/elle aura à renforcer l’équipe d’Enseignants-Chercheurs du Centre sur les activités de formation et de recherche. Le ou la titulaire sera placé(e) sous l’autorité hiérarchique du directeur du CGI.
De manière générale, le/la MCF recruté(e) aura à participer au projet pédagogique de l’école, aux missions de formation, aux activités de recherche et de transfert de technologies, aux montages et suivis d’activités contractuelles et à des collaborations nationales et internationales. Il/elle sera une force vive pour leur développement et sera appelé(e) à exercer des responsabilités administratives et d’encadrement.
Pour ce qui est du rôle d’Enseignant-Chercheur, le/la titulaire aura à contribuer aux formations proposées par IMT Mines Albi, en participant notamment aux enseignements en Systèmes d’Information, Informatique et IA du tronc commun de la formation d’ingénieurs et de l’option Ingénierie de la Donnée et à l’encadrement d’élèves. Il/elle aura également à intégrer la dimension recherche de l’équipe du CGI en devenant une force vive de la composante numérique du centre, en venant notamment renforcer l’expertise de l’équipe en Génie Logiciel, en IA et/ou en technologies immersives. Il/elle devra être capable de monter et encadrer des projets de recherche (amont ou appliquée) en lien avec ces composantes scientifiques et techniques. La personne recrutée devra également participer à la forte dynamique de développement du CGI, notamment en matière de recherche contractuelle et subventionnée.
À moyen terme, le/la titulaire pourra être amené(e) à assumer la responsabilité du parcours « Systèmes d’Information » de l’Option « Ingénierie de la Donnée » du cycle de formation ingénieurs, voire la responsabilité de l’Option elle-même.

Formation et compétences requises :
La/le candidat(e) devra être titulaire d’un diplôme de doctorat. Son domaine d’expertise se situe de préférence en Informatique et plus particulièrement en IA (section CNU 27), avec si possible une expertise reconnue sur l’un des principaux domaines d’application du CGI.
La/le candidat(e) devra justifier de manière non exclusive :
· d’une expertise technique et scientifique forte en sciences de l’Informatique, et/ou en Sciences des Données, et/ou en Intelligence Artificielle et/ou en Génie Logiciel. Une compétence en lien avec les technologies immersives (VR / AR) serait un plus ;
· d’un savoir-faire démontré en matière d’enseignement dans les disciplines de l’Informatique et/ou de l’Intelligence Artificielle ;
· D’une expérience en termes de pilotage et de participations à des projets contractuels directs (CIFRE, Laboratoires Communs, Chaires, etc.) ou à des projets collaboratifs subventionnés (ANR, Europe, ADEME, Région, etc.) ;
· d’une production scientifique cohérente avec les standards du métier ainsi que d’une expérience de l’encadrement et de la formation doctorale.

Adresse d’emploi :
https://institutminestelecom.recruitee.com/o/maitre-ou-maitresse-de-conferences-en-informatique-et-intelligence-artificielle-cdi

Document attaché : 202503171012_Appel à candidature – MA CGI – 20250305.pdf

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

Laboratoire/Entreprise : Université de Strasbourg
Durée : 1 an renouvelable 1
Contact : dbernhard@unistra.fr
Date limite de publication : 2025-04-30

Contexte :

Sujet :
La Faculté des Langues de l’Université de Strasbourg recrute un·e maître·sse de conférences contractuel·le en “Traitement automatique des langues et Humanités numériques” pour une prise de poste au 01/09/2025. La date limite de candidature est le 15/04/2025 à 16h.

Pour la description du poste, voir : https://www.unistra.fr/universite/travailler-a-luniversite/personnels-enseignants/enseignants-contractuels/enseignant-chercheur-contractuel

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Strasbourg

Offre en lien avec l’Action/le Réseau : BigData4Astro/– — –

Laboratoire/Entreprise : INRIA / CRAL
Durée : 12+12 months
Contact : olivier.flasseur@univ-lyon1.fr
Date limite de publication : 2025-04-30

Contexte :
The observation of the close environment of stars can reveal the presence of exoplanets and circumstellar disks, providing crucial information for a better understanding of planetary system formation, evolution, and diversity. Given the very small angular separation with respect to the host star and the huge contrast between the (bright) star and the (faint) exoplanets and disks, reconstructing images of the immediate vicinity of a star is extremely challenging. In addition to the use of extreme adaptive optics and a coronagraph, dedicated post-processing methods combining images recorded with the pupil tracking mode of the telescope are needed to efficiently suppress the nuisance component (speckles and noise) corrupting the signals of interest [1].
In recent works, we have introduced innovative post-processing methods that combine statistical modeling of the nuisance component with deep learning [2,3,4]. These models achieve state-of-the-art performance, surpassing traditional inverse-problem approaches in detecting point-like sources such as exoplanets. Simultaneously, new algorithms have been proposed to reconstruct the spatio-spectral flux distribution of circumstellar environments — composed of gas and dust forming disk structures where exoplanets form through material accretion. These reconstruction methods jointly estimate the objects of interest and the nuisance statistics using an inverse problem approach [5,6]. Although these methods demonstrate impressive reconstruction quality, there is still room for improvement, particularly near the star where disk components are most affected by starlight contamination. In addition, for both tasks (detection and reconstruction), current algorithms ignore the temporal and spatial variability of the off-axis point-spread function (PSF), affecting exoplanet detection sensitivity, astro-photometric accuracy, and the spatial resolution of the disk reconstructions.
In this context, data science developments are decisive to improve the fidelity of circumstellar disk reconstruction, especially for fine and faint structures at short angular separations. These advances will also support future instruments by allowing the design of algorithms addressing scientific challenges outlined in the Extremely Large Telescope (ELT) roadmap, using realistic simulations of astrophysical scenes.

Sujet :
Research objectives: This postdoctoral project will build on recent advancements by our research team in modeling the nuisance component that corrupts high-contrast total intensity observations. The focus will be on reconstructing circumstellar disks and modeling the signal degradation caused by the measurement process. The key research objectives include:
– Integrating deep models of the nuisance component into algorithms dedicated to circumstellar disk reconstruction in total intensity, potentially inspired from deep models we have developed for exoplanet detection.
– Incorporating prior information about typical flux distributions in circumstellar environments observed in total intensity. This will involve using dedicated simulators and combining this information with advanced nuisance models in the reconstruction algorithms.
– Addressing the spatio-temporal variability of the off-axis PSF. Two open research directions could be explored:
*Exploiting metadata, such as adaptive optics telemetry, to track instrumental response variations due to changing observing conditions.
*Investigating data-driven approaches to model this variability directly from the science data.
Whenever possible, raw sensor data will be considered rather than pre-processed data to better quantify signal degradation from both the measurement and processing stages, and to model and propagate uncertainties end-to-end. This process will involve calibrating and assembling raw data using inverse-problem methods developed in the DDISK ANR project (PI: Maud Langlois). While complementary, the priorities of these research objectives can be adjusted based on the applicant’s expertise.

Data and Instruments: The project will focus on developing new processing algorithms using total intensity observations (imaging and spectroscopy, i.e., spatio-temporal-spectral data) from the SPHERE instrument, currently operating on the Very Large Telescope. Once a proof of concept is established, simulations for HARMONI, one of the first-light instruments of the upcoming ELT, may be considered. The algorithms will then be adapted to account for HARMONI’s specific features, particularly its higher spectral resolution.

Profil du candidat :
Collaboration and Location: The postdoc will be part of a multidisciplinary collaboration. She/he will collaborate with Jean Ponce (ENS-PSL, Paris), Julien Mairal (INRIA, Grenoble) and Olivier Flasseur (CRAL, Lyon). Additional collaborations would involve experts in observational astrophysics, including Maud Langlois (CRAL, Lyon) and Anne-Marie Lagrange (LESIA, Paris). The postdoc will also collaborate with a third-year PhD student at INRIA. The postdoc will be based primarily at INRIA, with regular visits at CRAL.

Duration: The initial appointment is for one year, with a possible one-year extension (with other sources of fundings).

Desired Skills and Expertise: The candidate should hold a PhD in signal and image processing, applied mathematics, machine learning, computer vision and related fields. A strong interest in physics, pluri-disciplinary research and scientific applications is a plus.

Deliverables: The developed algorithms will be disseminated in peer-reviewed journals and relevant conferences in the fields of astronomy and computer science. The associated code will be made public in the time-line of the position.

Contacts and Application Process: Applicants should send the following documents to Jean Ponce (jean.ponce@ens.fr), Julien Mairal (julien.mairal@inria.fr), and Olivier Flasseur (olivier.flasseur@univ-lyon1.fr): a CV outlining qualifications and previous experiences, a cover letter detailing research interests, a list of publications, and a list of up to three referees ready to write a recommendation. Requests for additional information on the position can be sent directly by email, and a video-conference could be arranged. Applications will continue to be reviewed until the position is filled.
This position falls within a sector subject to the protection of scientific and technical potential (PPST) and therefore, in accordance with regulations, the applicant’s arrival must be authorized by the competent authority of the Ministry of Higher Education and Research (MESR).

Formation et compétences requises :
Desired Skills and Expertise: The candidate should hold a PhD in signal and image processing, applied mathematics, machine learning, computer vision and related fields. A strong interest in physics, pluri-disciplinary research and scientific applications is a plus.

Adresse d’emploi :
INRIA (Paris or Grenoble), close collaborations with CRAL (Lyon)

Document attaché : 202410281051_Sujet PostDoc PEPR.pdf

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

Laboratoire/Entreprise : INSA Centre Val de Loire
Durée : 24
Contact : cedric.eichler@insa-cvl.fr
Date limite de publication : 2025-04-30

Contexte :
INSA Centre Val de Loire is offering an opportunity for either a Postdoctoral Researcher or Engineer to join the Petscraft project-team joint with Inria Saclay. We welcome applications from candidates with
diverse profiles and backgrounds, as we believe that both types of expertise can bring valuable contributions to our project. The specific responsibilities, objectives, and scope of the position will be tailored to
the selected candidate’s qualifications, skills, and experience. We are looking for the successful candidate
to start as soon as possible, but we are flexible with the start date to accommodate the right individual’s
availability.

This position is part of the project ”Making PostgreSQL Deferentially Private for Transparent AI” funded by the french national research agency ANR. The project involves several French research teams working on data protection, from Inria, universities and engineering schools, as well as Dalibo, company expert in PostgreSQL and developing PostgreSQL Anonymizer. The general objective
of the project is to propose, implement within PostgreSQL and evaluate a privacy preserving approach for interpreting SQL queries in the sense of differential privacy (DP). These queries will range from the
Select-Project-Join-Aggregation (SPJA) form to the export of releases (DUMP) of a part of the database in order to be able to work on it as if it contained no sensitive data. Specifically, the main objective is
to extend the anonymization models already integrated in PostgreSQL Anonymizer (pseudonymization, k-anonymization and addition of noise) to other models verifying DP, as well as DP existing and novel relaxations.

Sujet :
During the first year, the successful candidate will tightly collaborate with Dalibo to extend PostgreSQL Anonymizer with the most promising (in terms of utility) approaches to answering SPJA
queries that guarantee DP (or similar models, such as local differential privacy). The main lock of this task is to design this DP mechanism as an extension of the SQL grammar in order to qualify a specific
query or function with DP metadata.
Possibles objectives for the second year are varied and can be tailored to the selected candidate, with a wide range between implementation and theory. They may include more theoretical contributions, e.g.
regarding novel DP relaxations or the impact of semantics and schema on DP. In terms of implementation, they could include, for example, the development of demonstrators, validation and evaluation platforms
for the novel models proposed in the project.

Profil du candidat :
Candidates must hold either a PhD or a master (or equivalent) in
Computer Science

Formation et compétences requises :
The following skills are appreciated:
• Knowledge in privacy & anonimization.
• Knowledge & experience in databases and database management systems, particularly SQL and
PostgreSQL.
• Proficiency in programming.

Adresse d’emploi :
Either Inria Saclay centre, Turing building in Palaiseau or INSA CVL campus Bourges.

Document attaché : 202412131026_Postdoc_or_eng_position_DIFPRIPOS.pdf

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

Laboratoire/Entreprise : Université Paris Cité, IUT / LIPADE
Durée : Poste permanent
Contact : camille.kurtz@u-paris.fr
Date limite de publication : 2025-05-09

Contexte :

Sujet :
Un poste de maître·sse de conférences en informatique (section 27) intitulé “programmation et apprentissage profond” est à pourvoir dans la session synchronisée du concours 2025 à l’Université Paris Cité, le laboratoire de rattachement est le LIPADE : http://lipade.mi.parisdescartes.fr/?lang=fr

—

Profil recherche :

Le Laboratoire d’Informatique Paris Descartes mène des travaux de recherches théoriques et appliquées. Les domaines de compétences sont actuellement les systèmes multi-agents, le traitement d’image, les réseaux et les bases de données.

Les candidats doivent avoir une solide expérience dans le domaine de l’apprentissage profond. Nous sommes particulièrement intéressés par les candidats dont les recherches portent sur la théorie, les architectures, les méthodes, les algorithmes et les modèles de base, ainsi que leurs applications à des problèmes réels. Les candidats doivent décrire leur plan d’intégration avec l’un des groupes de recherche du LIPADE, et expliquer la pertinence/application de leur expertise avec un (ou plusieurs) des domaines suivants : gestion de données, réseaux/cybersécurité, vision par ordinateur, ou IA symbolique/distribuée.
Contact pour l’équipe SIP (Systèmes Intelligents de Perception, https://sip.mi.parisdescartes.fr/) : Camille Kurtz (camille.kurtz@u-paris.fr)

Profil enseignement :
Le maître de conférences recruté s’intégrera à l’équipe pédagogique du département Informatique de l’IUT Paris Rives de Seine. Les enseignements s’adressent principalement à des étudiants de BUT Informatique et la licence MIAGE. La personne recrutée viendra renforcer l’équipe développement du Département Informatique de l’IUT Rives De Seine où ses compétences en informatique, englobant les aspects fondamentaux et appliqués de l’informatique, seront particulièrement appréciées. Elle contribuera aux enseignements dans les ressources en lien avec l’apprentissage du développement, et concernera prioritairement : la qualité algorithmique, la maintenance applicative et le développement pour applications mobiles. En fonction de ses compétences spécifiques, le candidat recruté pourra prendre en charge et développer de nouveaux enseignements sur
des technologies plus avancées ou en émergence. Il est attendu de la personne recrutée qu’elle s’investisse au sein du département et qu’elle soit force de proposition pour contribuer à l’évolution de nos formations, tant pour leur contenu que pour les pratiques pédagogiques.

Le Bachelor Universitaire de Technologie d’Informatique : https://iutparis-seine.u-paris.fr/informatique/bachelor-universitaire-de-technologie-informatique/

—

La fiche de poste est accessible ici : https://u-paris.fr/wp-content/uploads/2025/02/FichePoste_Etab0755976N_Offre250618.pdf

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Paris

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

Laboratoire/Entreprise : Toulouse School of Economics
Durée : CDD-CDI
Contact : edouard2.pauwels@ut-capitole.fr
Date limite de publication : 2025-05-16

Contexte :
Bonjour

La TSE ouvre un poste d’enseignant en Python et apprentissage automatique pour les titulaires d’un doctorat en mathématiques/informatique. Enseignements du L au M.

Il s’agit d’un CDD de 2+2 ans ouvrant sur CDI, avec une rémunération et une évolution de type MCF.

Voir annonce au lien suivant:

https://www.tse-fr.eu/sites/default/files/TSE/documents/doc/recrutement/annonce_ccip_2025.pdf

Date limite de postulation : 15 mai 2025

Pour tout renseignement écrire à jerome.bolte@tse-fr.eu, edouard.pauwels@tse-fr.eu

Bien cordialement
Jérôme Bolte

Sujet :
Poste d’enseignant en Python et apprentissage automatique pour les titulaires d’un doctorat en mathématiques/informatique.

Profil du candidat :
Il s’agit d’un CDD de 2+2 ans ouvrant sur CDI, avec une rémunération et une évolution de type MCF.

Voir annonce au lien suivant:

https://www.tse-fr.eu/sites/default/files/TSE/documents/doc/recrutement/annonce_ccip_2025.pdf

Formation et compétences requises :

Adresse d’emploi :
Toulouse School of Economics, Université Toulouse Capitole. Toulouse.

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

Laboratoire/Entreprise : ESPCI
Durée : 1 an
Contact : alexandre.allauzen@dauphine.psl.eu
Date limite de publication : 2025-05-30

Contexte :
L’École Supérieure de Physique et de Chimie Industrielles de la Ville
de Paris est à la fois une Grande École d’ingénieurs et un institut de
recherche (11 laboratoires) de réputation internationale jouissant
d’une forte culture d’excellence scientifique (6 Prix
Nobel). L’enseignement et la recherche se situent à la croisée du
savoir et du savoir-faire en physique,chimie et biologie.

Sujet :
L’ESPCI recrute pour la rentrée de Septembre 2025 un poste de maître
de conférences contractuel (contrat d’un an qui peut être renouvelé),
avec une mission en deux parties : enseigner devant élèves 135h
équivalent TD dans les formations de l’école et développer des travaux
de recherche en collaboration avec les équipes de recherche de l’ESPCI
Paris et PSL.

La date limite de candidature: 11/05/2025
Fiche de poste:
https://choisirleservicepublic.gouv.fr/offre-emploi/2025-1886438/
Pré-requis: Doctorat

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
10 rue Vauquelin 75005, Paris.

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

Laboratoire/Entreprise : CReSTIC, Université de Reims (https://crestic.univ
Durée : fonctionnaire
Contact : valeriu.vrabie@univ-reims.fr
Date limite de publication : 2025-05-31

Contexte :
Mots clés recherche : Aide à la décision, Machine Learning pour l’aide à la décision, Capteurs intelligents/Smart sensors, IA embarquée dans les capteurs

Mots clés enseignement : Robotique industrielle, robotique de service, automatismes

Sujet :
RECHERCHE :

Les activités de recherche s’inscriront dans les thématiques de recherche du CReSTIC et porteront sur l’instrumentation de capteurs, et l’intégration de approches d’apprentissage machine du capteur à la décision.
Il est attendu de renforcer les équipes et chercheurs travaillant dans les domaines scientifiques portés par le CReSTIC en s’inscrivant parmi les thèmes transversaux ; de prendre en charge des encadrements de thèses/stages ; de développer de nouvelles activités collaboratives par le biais de projets structurants académiques et/ou industriels (ANR, Cifre…) ; de participer aux diverses collaborations du laboratoire notamment à travers son axe transverse smart agriculture (INRAe, Exebio, Terasolis, Aérolab, RIBP, etc.).

Compétences recherchées :
a) Instrumentation, acquisition, traitement de données embarqués pour l’aide à la décision et le contrôle ;
b) Fusion d’informations hétérogènes, extraction et sélection de caractéristiques, adaptation des modèles et des algorithmes d’apprentissage, conception d’approches et méthodes permettant une intégration rapide et efficace d’algorithmes sur des architectures embarquées ;
c) Intégration dans des applications embarquées, dont la robotique et l’industrie 4.0.

Contacts :
Valeriu VRABIE, Responsable de l’équipe Traitement du Signal
Tél : 06.49.21.53.71
Email : valeriu.vrabie@univ-reims.fr
Bart Lamiroy, Directeur du CReSTIC
Tél : 06.02.14.69.73
Email : crestic.direction@univ-reims.fr

ENSEIGNEMENT :

Le candidat devra posséder une expérience en robotique industrielle, de service, open-source et/ou embarquée que ce soit en termes de modélisation, simulation, dimensionnement, commande, intégration ou programmation. Dans ces domaines, il devra s’investir pour le développement d’enseignements et de formations axées thématiquement sur l’industrie du futur en vue d’accroître le caractère innovant et l’attractivité des formations du département.
Au-delà de cette thématique, il devra également dispenser des enseignements périphériques à la robotique, principalement en automatismes, et dans une moindre mesure en automatique, informatique industrielle, ou encore capteurs et instrumentation.
Il interviendra dans les formations du département EEA et autres formations de l’EiSINe présentes sur le site de Reims (environ 300 étudiants) pour y enseigner sous forme de cours, TD, TP et projets :
– Licence SPI parcours EEEA ;
– Cycle préparatoire intégré à coloration EEEA ;
– Master EEEA parcours Automatique et robotique de service ;
– Filières ingénieurs :
*Spécialité Automatique et Informatique Industrielle (UTT/URCA) ;
*Spécialité Automatique et Génie Électrique ;
*Spécialité Mécanique et Génie Industriel ;
– Licence Pro Métiers de l’Électricité et de l’Énergie, parcours Chargé de projet en électricité ;

Il devra également contribuer à la vie du département EEA : Opérations de promotion des filières, commissions, responsabilités de matières, visites de stagiaires et d’apprentis.

Compétences requises :
– aptitude au travail en équipe et à la communication ;
– capacité à développer des supports pédagogiques (montage de séries de TP notamment) et concevoir ou intégrer des maquettes innovantes ;
– prise de responsabilité d’équipements et salles de TP ;
– dynamisme et volonté de s’investir dans les formations ;
– capacité à répondre aux appels à projets pédagogiques (AMI, PACTE …) ;
– accompagnement des challenges robotiques ou d’ingénierie des systèmes : Olympiades FANUC, coupe de France de robotique, Robafis… ;
– capacité à enseigner en anglais.

Contact :
Maxime COLAS – Directeur adjoint EiSINe, Président du département EEA
Tél : 06.20.62.43.70
Email : maxime.colas@univ-reims.fr

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Recherche : Laboratoire CreSTIC – Campus Moulin de la Housse – Reims
Enseignement : Département EEA de l’EiSINe – site de Reims – Campus Moulin de la Housse

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

Laboratoire/Entreprise : LIP6 – Sorbonne Université
Durée : indéterminée
Contact : bernd.amann@lip6.fr
Date limite de publication : 2025-05-31

Contexte :

Sujet :
Intitulé : MCF IA et approches hybrides pour le traitement et l’analyse de données complexes

Lieu : Sorbonne Université – UFR919 – Campus Pierre et Marie-Curie

Nature du concours :  MCF

Section CNU : 27

Filières de formation concernées : Licence et Master d’informatique

Laboratoires d’accueil : UMR 7606 – LIP6

Contact Recherche :

– LIP6 : Fabrice Kordon (Fabrice.Kordon@lip6.fr)

Contacts Enseignement :

– Licence d’informatique : Jean-Lou Desbarbieux, directeur (jean-lou.desbarbieux@lip6.fr)
– Master d’informatique : Olivier Fourmaux, directeur (olivier.fourmaux@sorbonne-universite.fr)

Profil du candidat :
Profil Recherche : Le profil de ce poste MCF permet de renforcer les thématiques de recherche sur l’utilisation des approches récentes en IA et leur adaptation pour le traitement et l’analyse de données et des connaissances au sein des trois équipes BD, LFI et MOCAH du LIP6:

– Gestion de données et IA, BD : http://www-bd.lip6.fr

– IA hybride, explicable, interprétable, LFI : https://lfi.lip6.fr/

– IA pour l’apprentissage de la programmation, MOCAH: https://www.lip6.fr/recherche/team.php?acronyme=MOCAH

Formation et compétences requises :

Adresse d’emploi :
Sorbonne Université – UFR919 – Campus Pierre et Marie-Curie

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

Laboratoire/Entreprise : Ecole d’Ingénieurs Jules Verne, Laboratoire des T
Durée : MCF
Contact : nadia.hamani@u-picardie.fr
Date limite de publication : 2025-05-31

Contexte :

Sujet :
Cher(e)s tou(te)s,

Un poste de Maître de Conférences en 61ème section est ouvert au concours à l’EiJV (Ecole d’Ingénieurs Jules Verne) sur le profil “Logistique et Supply Chain, transformation digitale”. (cf. fiche jointe).

Les candidats intéressés sont invités à se faire connaître,

Pour tout renseignement sur le poste, merci de bien vouloir nous contacter :

A : nadia.hamani@u-picardie.fr, Prof. Nadia Hamani, Responsable de la spécialité Logistique
Cc : gilles.dequen@u-picardie.fr, Prof. Gilles Dequen, Directeur de l’EiJV

Merci pour la publicité que vous pourriez accorder à cette annonce.

Bien cordialement,

Nadia Hamani et Gilles Dequen

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Ecole d’Ingénieurs Jules Verne, Saint Quentin

Document attaché : 202503171414_MCF 61 EiJV _2025.pdf

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

Laboratoire/Entreprise : Brain-C Lab, NeuroSU, Institute of Biology Paris-S
Durée : 11 months
Contact : lucile.megret@sorbonne-universite.fr
Date limite de publication : 2025-05-31

Contexte :

Sujet :
A 11 months position is immediately available in the Brain-C Lab in Paris for a bioinformatician at the Study Engineer (IE) level (post-master position). The selected candidate will work with a team of mathematicians, bioinformaticians, and neurobiologists on modeling time- and cell-resolved omics data to built computational models of molecular pathogenesis in neurodegenerative diseases such as amyotrophic lateral sclerosis (ALS), integrate data from other diseases such as Huntington’s disease (HD) and disseminate data via online platforms. The selected candidate will use BioGemix, our post-omics machine learning platform and related databases. 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, database development, and cellular neurobiology for breakthrough in neurodegenerative disease research.

Application: Interested candidates should apply immediately by sending 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

Profil du candidat :
The candidates should hold a Master in Biofinformatic or a Master in Informatics and they should have no more than 3-4 years of post-master experience. The position is full time, on site, and candidates should have strong collaborative skills and commitment to team work along with strong ability to work independently in addition to strong interest for research.

Formation et compétences requises :
• Experience working with NGS data and performing respective bioinformatic pipelines in order to process sequencing data.
• Programming autonomy on at least one of the following languages: python, R, C / C ++.
• Good knowledge of basic web technologies: PHP, MySQL, JavaScript, jQuery.
• Fluency on Ubuntu.
• Hands-on experience with in house server maintenance (Backup, shared space, and webserver).
• Scientific English essential

• Skills in data visualization will be a plus.
• Basic knowledge in statistics and machine learning are desirable but not mandatory.

Adresse d’emploi :
7 Quai Saint-Bernard, 75005 Paris

Document attaché : 202503241018_Annonce_bioinfo_IE.pdf

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

Laboratoire/Entreprise : Laboratoire LISV
Durée : 10 mois
Contact : olivier.rabreau@uvsq.fr
Date limite de publication : 2025-06-01

Contexte :
Notre laboratoire de recherche (www.lisv.uvsq.fr) se consacre à l’exploration de nouvelles méthodes pour détecter les troubles neurovisuels, en particulier chez les patients ayant subi un AVC. Dans le cadre de notre projet de recherche “APTICONDUITE”, financé par la Délégation de la Sécurité Routière (DSR), nous utilisons un simulateur de conduite automobile équipé de capteurs biométriques afin de recueillir des données comportementales et physiologiques.

Nous recherchons un(e) Data Scientist motivé(e) pour analyser ces données et contribuer au développement d’une méthodologie innovante permettant d’identifier des dysfonctionnements neurovisuels.

L’objectif étant de pouvoir proposer une meilleure solution d’accompagnement du diagnostic basée sur la classification de résultats de tests d’aptitude réalisés via le simulateur.

Contexte de travail

• Le ou la candidat(e) rejoindra une équipe de chercheurs dynamique et en pleine expansion au sein du laboratoire LISV de l’Université de Versailles Saint-Quentin (www.lisv.uvsq.fr). Le laboratoire est membre de l’université Paris-Saclay. Le travail sera effectué dans l’équipe “Robotique interactive” coordonnée par le Pr. Abderraouf Benali qui explore l’interaction entre l’utilisateur et les systèmes robotiques au sein de son environnement.

• L’étude s’inscrit dans le cadre du projet de recherche “APTICONDUITE” financé par la Délégation de la Sécurité Routière (DSR). Ce projet est en collaboration avec le centre national d’expertise sur les aides à la mobilité, le CEREMH (www.ceremh.org) et le centre hospitalier de Plaisir (www.ch-plaisir.fr).

Conditions

• Rémunération brute : 3036.81€/mois
• Durée : 10 mois avec possibilité de prolongation selon l’avancée du projet.
• Lieu de travail : laboratoire LISV, 10-12 avenue de l’Europe, 78140 Vélizy (France) (poste en présentiel avec possibilité de télétravail)

Sujet :
Missions

• Traiter et analyser les données recueillies via des capteurs biométriques (ECG, suivi oculaire, EEG, etc.) lors des sessions de simulation de conduite.
• Mettre en œuvre des techniques d’apprentissage automatique (Machine Learning) pour identifier des patterns liés aux troubles neurovisuels.
• Collaborer avec une équipe de chercheurs pluridisciplinaires (neurologues, ingénieurs, psychologues).
• Développer et valider des modèles prédictifs afin de détecter les anomalies neurovisuelles chez les patients.
• Participer à la rédaction de rapports scientifiques et à la communication des résultats lors de conférences ou de publications.

Profil du candidat :
• Formation : Doctorat en Science des Données, Informatique, Mathématiques Appliquées, ou domaine connexe.
• Compétences techniques :
o Maîtrise des techniques de Machine Learning, de classification automatique et de tests de significativité.
o Maîtrise des langages de programmation pour le traitement des données.
o Expérience dans le traitement de données biométriques, physiologiques ou médicales est un plus.
o Connaissance des outils de traitement de signaux (EEG, ECG, suivi oculaire) est un plus.
o Maîtrise des bibliothèques telles que TensorFlow, PyTorch, Scikit-learn, etc.
• Compétences analytiques : Capacité à interpréter des données complexes et à proposer des solutions méthodologiques adaptées.
• Qualités : Autonomie, rigueur scientifique, esprit d’équipe et curiosité pour les applications médicales et les neurosciences.

Formation et compétences requises :
• Formation : Doctorat en Science des Données, Informatique, Mathématiques Appliquées, ou domaine connexe.
• Compétences techniques :
o Maîtrise des techniques de Machine Learning, de classification automatique et de tests de significativité.
o Maîtrise des langages de programmation pour le traitement des données.
o Expérience dans le traitement de données biométriques, physiologiques ou médicales est un plus.
o Connaissance des outils de traitement de signaux (EEG, ECG, suivi oculaire) est un plus.
o Maîtrise des bibliothèques telles que TensorFlow, PyTorch, Scikit-learn, etc.
• Compétences analytiques : Capacité à interpréter des données complexes et à proposer des solutions méthodologiques adaptées.
• Qualités : Autonomie, rigueur scientifique, esprit d’équipe et curiosité pour les applications médicales et les neurosciences.

Adresse d’emploi :
Laboratoire LISV, 10-12 avenue de l’Europe, 78140 Vélizy, France

Document attaché : 202409200755_PostV9_French.pdf

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

Laboratoire/Entreprise : IMT Mines Alès (Ecole Nationale Supérieur des Mine
Durée : CDI
Contact : guyot@irit.fr
Date limite de publication : 2025-09-01

Contexte :

Sujet :
Maître de Conférences en Apprentissage Machine et Contrôle de systèmes complexes

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
IMT Mines Alès (Ecole Nationale Supérieur des Mines d’Alès)

Document attaché : 202409050837_fp_-_mdc_ceris_ia_et_ingenierie_fr-2.pdf

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

Laboratoire/Entreprise : ETIS/CY Paris Cergy Université
Durée : 18 months
Contact : aikaterini.tzompanaki@cyu.fr
Date limite de publication : 2025-10-01

Contexte :
The position is funded by the prestigious EU Horizon PANDORA project, A Comprehensive Framework enabling the Delivery of Trustworthy Datasets for Efficient AIoT Operation. The main goal of the project is to contribute towards the creation of a dynamic AI pipeline in the context of IoT applications, focusing on i) the creation of synthetic but trustworthy data, and ii) on the development of AI algorithms for various tasks (from classic classification, regression and anomaly detection, to forecasting and predictive maintenance) taking into account the specific data characteristics of continuous data generation settings and leveraging the domain knowledge when available. Explainability is a fundamental property for rendering the systems reliable, as it can help i) enhance the acceptability of the system by the system experts and further aid in decision making, ii) optimize model performance (time and accuracy) by revealing the actual causes behind predictions, and iii) repair data acquisition processes or model training/updating by exposing errors and/or drifts that may arise through time. The project gathers over 20 academic and industrial partners, with real and challenging use-cases and thus provides a unique opportunity to contribute to cutting-edge research with significant real-world impact.

Sujet :
Subject: Predictive maintenance (PDM) in industrial settings spans from identifying anomalies and categorizing failures in already observed data, to prognostically predicting the Remaining Useful Life (RUL) and the Failure Time (FT) of machines, appliances, etc., in the future. Typically such predictive tasks are implemented using Deep Learning and/or statistical analysis techniques, which may be complex to interpret, while their performance is challenged by multiple sources of errors (sensors’ tuning, aging, failures, etc.) and the non-stationary nature of IoT data streams. In particular, concept drifts can originate from the changes in the underlying data generation mechanism that reflects different states of the monitored system. In this context, the predictive performance of already trained models f(X,Y) (e.g., classification, regression) may start degrading after a certain point in time and hence models need to be adapted at the right frequency. However, not all types of changes in the joint probability distribution P(X,Y) have the same impact on model performance. In this respect, we need to distinguish between changes in the posterior probability distribution P(Y|X) (i.e., Model drifts) between input features X and the target variable Y, from class-conditioned data distribution changes P(X|Y) (i.e., likelihood drifts) and changes in the distribution of input features P(X) (i.e., covariate drifts). Clearly, not all types of changes of the joint probability distribution $P(X, y)$ influence predictive models in the same way and hence, they require different mitigation actions. In this project we are particularly interested in how data quality and concept drifts affect the performance of PDM tasks such RUL and FT.

Moreover, besides developing performant, robust, and stable FT and RUL prediction algorithms through time, we are also interested in enhancing interpretability of their results. On the one hand, engineers need to know the root causes for a predicted machine failure at a time t in the future, so that they may take the best possible action towards preventing the failure to happen, or replace a machine in time before having to take the system down for replacement of the compromised machine. Such explanations should cover both the time parameter (why a failure will happen after a time interval) and the type of failure (why a specific type of error will happen). On the other hand, fine-grained explanations of the different types of concept drifts can guide data analysts to take timely, and informed actions for adapting the prediction algorithm to the observed concept drift. While explainability has been a major research interest in recent years, explanation methods for concept drift are still in their infancy. Some of the approaches aim for the detection and quantification of drift, its localization in space or its visualization, while others focus on feature-wise representations of drift. In this project, we aim to investigate actionable concept drift explanations, adding in the equation weak and strong signals for failure events. We believe that concept drift explanations constitute a form of actionable explanations responding to both aforementioned expert needs, and thus can be more valuable than standard feature importance explanations.

Profil du candidat :
Responsibilities/Opportunities
Conduct high quality research in Explainable AI in non-stationary settings.
Develop novel algorithms and methodologies for Predictive Maintenance using IoT streams.
Publish in top-tier conferences and journals.
Collaborate with an interdisciplinary team of researchers and industry partners.
Participate in project meetings and contribute to the project’s management.

Formation et compétences requises :
PhD in Machine Learning, AI, Data Science, Statistics, or a related field.
Strong background in at least one of the following: deep learning, continual learning, time series analysis, or predictive maintenance.
Experience with explainable AI (XAI) methods.
Proficiency in Python and relevant ML frameworks (PyTorch, TensorFlow, Scikit-learn).
Excellent publication record in Data management, Artificial Intelligence, Machine Learning, or IoT applications.

Adresse d’emploi :
Equipe DATA&AI – ETIS Laboratory, CY Cergy Paris Université

33 Bd du Port, 95000 Cergy

Document attaché : 202503241752_Post-Doc Position in Explainable AI in Industrial Settings_DATAIA_PARIS.pdf

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

Laboratoire/Entreprise : LITIS
Durée : 36 mois
Contact : Sebastien.Adam@univ-rouen.fr
Date limite de publication : 2025-04-30

Contexte :
Nous proposons une thèse financée au laboratoire LITIS sur le sujet décrit dans la pièce jointe.

Sujet :
Cf. PJ

Profil du candidat :
Cf PJ

Formation et compétences requises :
cf PJ

Adresse d’emploi :
Laboratoire LITIS, UFR ST, Site du Madrillet
76800 Saint Etienne du Rouvray

Document attaché : 202504091055_TheseGapHIX.pdf

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

Laboratoire/Entreprise : CNAM/Sorbonne Université
Durée : 36 mois
Contact : cedric.du_mouza@cnam.fr
Date limite de publication : 2025-04-30

Contexte :
Encadrants:
Cédric du MOUZA (dumouza@cnam.fr, lab. CEDRIC, CNAM Paris)
Raphaël FOURNIER-S’NIEHOTTA (Raphael.Fournier@lip6.fr, LIP6-ComplexNetworks, Sorbonne Université)
Camelia CONSTANTIN (camelia.constantin@lip6.fr, LIP6-Équipe BD, Sorbonne Université)

Sujet :
L’objectif de la thèse est d’améliorer l’enrichissement de graphes de connaissances en utilisant des techniques avancées issues des domaines des algorithmes de graphes, de la sémantique et de l’apprentissage automatique. Cette démarche vise à améliorer la qualité et l’utilité du graphe en découvrant et en intégrant des informations qui ne sont
pas explicitement présentes mais qui peuvent être inférées à partir des relations et des attributs existants.

L’enrichissement des graphes de connaissances s’appuie sur une approche hybride combinant algorithmes de graphes, NLP et apprentissage automatique, qui permet d’extraire et d’intégrer des informations implicites en exploitant les structures et relations existantes. Un défi majeur réside dans le liage d’entités, étape souvent imprécise qui entraîne une fragmentation due au manque de relations explicites et à la diversité des formulations. L’objectif est d’améliorer cette phase en détectant et fusionnant les entités redondantes via un post-traitement reposant sur des modèles de similarité et des techniques de clustering. Ainsi, l’approche renforce la qualité structurelle et sémantique du graphe, le rendant plus exploitable pour la recherche et la gestion des connaissances. Pour atteindre ces objectifs, nous combinons : (i) des algorithmes de graphes pour identifier motifs récurrents, connexions et communautés, (ii) des modèles d’apprentissage profond (BERT, GPT) pour évaluer la similarité sémantique, et (iii) des modèles prédictifs entraînés pour inférer de nouvelles relations.

Ce sujet propose une approche exploratoire pour la construction et l’enrichissement de graphes de connaissances en combinant méthodes d’intelligence artificielle (IA), sur graphes (GraphML) ou autour du texte, avec des algorithmes classiques de graphes, se plaçant ainsi au cœur des thématiques de recherche de institut Sorbonne Center for Artificial Intelligence. Les contributions attendues visent à développer et adapter des méthodes IA faisant un usage hybride d’algorithmes de graphe et d’apprentissage automatique, tout en apportant des solutions pour enrichir les graphes de connaissances dans le domaine des bases de données. Les résultats de cette recherche seront appliqués à la base Studium (http://studium.univ-paris1.fr/) de l’Université Panthéon-Sorbonne, dans le cadre d’une collaboration existante entre les Laboratoires LIP6 (SU), CEDRIC (CNAM) et LAMOP (Université Panthéon-Sorbonne) qui s’inscrit dans le projet ANR Laura en cours de soumission.

Profil du candidat :
Master 2 ou bac+5 en informatique

Formation et compétences requises :
Nous recherchons un.e candidat.e motivé.e avec avec de solides bases en informatique et en apprentissage automatique et idéalement de bonnes notions de graphes. La maîtrise d’un langage de programmation (comme Python) est indispensable. Des connaissances en bases de données (SQL, indexation) et algorithmique sont un plus.

Adresse d’emploi :
CNAM Paris – 2, Rue Conté 75003 Paris

Document attaché : 202503312054_theseSCAI.pdf

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

Laboratoire/Entreprise : LITIS
Durée : 36 mois
Contact : Sebastien.Adam@univ-rouen.fr
Date limite de publication : 2025-04-30

Contexte :
Nous proposons une thèse financée au LITIS de l’INSA de Rouen.

Sujet :
cf PJ

Profil du candidat :
cf PJ

Formation et compétences requises :
cf PJ

Adresse d’emploi :
Laboratoire LITIS, INSA de rouen
76800 Saint Etienne du Rouvray

Document attaché : 202504091057_TheseDGNN.pdf

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

Laboratoire/Entreprise : LIFAT & LIFO
Durée : 3 ans
Contact : alexandre.chanson@univ-tours.fr
Date limite de publication : 2025-05-12

Contexte :
In the era of data-driven decision-making, extracting insights from large datasets is crucial. Data narration refers to transforming data insights into interactive visual stories to enhance understanding and communication. While recent advances in AI and LLMs have introduced automation in data exploration and storytelling, challenges remain in personalization, user intent recognition, and interactive data narration.

*** Detailed subject attached ***

Sujet :
Key Research Questions :

– User Intent & Interaction: How can user preferences and feedback guide LLM-driven data storytelling?
– Personalization: How can data stories be adapted to different audience profiles, knowledge levels, and presentation styles?
– Exploration-Narration Interplay: How can data exploration and storytelling be seamlessly integrated to allow iterative user intervention?
– Quality Assessment: How can we evaluate and benchmark the effectiveness of generated data stories?

The candidate is expected to contribute to one of the first three research questions while considering the fourth as a transversal aspect.

*** Detailed subject attached ***

Profil du candidat :
Master’s degree in Computer Science :
– Strong background in databases and machine learning
– Interest in data exploration, storytelling, or NLP

Formation et compétences requises :
— Application Deadline: May 12, 2025 —
To apply, please email the following documents to the supervisors:
– CV
– Master’s transcripts
– Cover letter
– Reference letters, if any

Adresse d’emploi :
Université de Tours site de Blois

Document attaché : 202502191608_phd-llm-storytelling.pdf

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

Laboratoire/Entreprise : Centre INRIA de l’Université de Rennes
Durée : 3 ans
Contact : nicolas.gutowski@univ-angers.fr
Date limite de publication : 2025-05-15

Contexte :
The project involves three partners: Inria, Leria and DGA TT.

Inria is the National Research Institute for Digital Science and Technology. This center for scientific excellence is currently directing the French Digital Programs Agency and is on the frontline of digitalization in Europe while conducting world-class research covering a wide range of disciplines: computer science, mathematics, and simulation software. International and industrial collaborations, ground-breaking research, software development, artificial intelligence, quantum- and cyber technologies and deep tech startups are the DNA of the institute. Inria ranks 16th worldwide at the AI Research ranking while being the number one European institute for frontier research in digital sciences.

LERIA (Laboratory for Computer Science Research in Angers) is a dynamic research unit of the University of Angers, bringing together around 40 members, including 23 faculty researchers and a vibrant community of PhD students and collaborators. Its scientific focus lies at the intersection of Artificial Intelligence and Optimization, with research spanning from theoretical models for knowledge representation and reasoning to advanced algorithms for solving complex combinatorial problems. Bridging fundamental research and real-world applications, LERIA actively contributes to both academic and industrial innovation in intelligent computing.

DGA TT (French Procurement Agency – Land Techniques) is the French defense center dedicated to supporting and evaluating all land-based military systems. Its teams specialize in combat systems, ergonomics, weaponry, protection, robotics, and vehicle dynamics. With key sites in Bourges and Angers, the Angers facility focuses on the characterization and real-world testing of military vehicles, including their dynamic behavior and resistance to harsh environments. Spanning over 150 hectares, the site offers specialized tracks and state-of-the-art facilities to simulate extreme mechanical and climatic conditions – ensuring that equipment performs reliably under the most demanding scenarios.

Recruiting team: The recruited researcher will join a multi-disciplinary team involving established, full-time research scientists of all ages, MSc, PhD and postdocs (~30 ppl). The training programme intends to prepare candidates for scientific positions, either in academia or industry, by working in a research-intensive environment which fosters both scientific excellence (world-class researchers and over 65 prestigious ERC grants) and entrepreneurship (over 200 startups launched and a dedicated Inria Startup Studio). You will also have access to an extensive portfolio of training courses on digital science and technology, scientific programming or Artificial Intelligence. The candidate will have the opportunity to share his time in Rennes and Angers, through a flexible programme. He will be recruited by Inria in the Beaulieu Scientific Campus of University of Rennes, Bretagne (France), a medium town (~220.000 inhabitants) close from Paris and from the sea, with an intense student life (25% of the population). and Angers (France’s top city to live in, 2022) and Rennes (1st student city in France, 2024, and 8th in Europe for quality of life, 2019) both offer an exceptional quality of life, a rich history, vibrant culture, and a thriving economy.

Sujet :
Apply here : https://jobs.inria.fr/public/classic/fr/offres/2025-08786

This PhD project aims for an advance in the simulation and design of metamaterials – engineered structures with unique physical properties surpassing natural materials. It aims to develop automated finite element methods to enhance numerical modeling, focusing on precision and efficiency in simulations while enabling predictive design of adaptive systems. The research targets critical defense technologies, including stealth, cloaking, and wave manipulation, with applications spanning multispectral furtivity, dynamic resilience, and active wave modulation, relevant to both defense and civilian contexts.

This PhD project, titled “Artificial Intelligence for Optimizing the Mechanical Resilience of Systems under Severe Vibratory Stress: Application to Fatigue Testing of Military Vehicles” aims to advance the methodologies of the NF X 50-144 standard, a key framework for environmental testing in mechanical engineering. The research will harness artificial intelligence (AI) to improve vibration analyses, offering new insights into the resilience of complex systems under extreme conditions, with a focus on defense applications.

Vibration analysis plays a vital role in ensuring the durability and reliability of military vehicles and their embedded systems, such as armament, communication, and sensor technologies. These systems face intense and variable vibrational stresses from diverse operational environments, including rugged terrains and dynamic scenarios, which current testing approaches, based on simplified assumptions, often fail to fully capture. This project will explore AI-driven solutions to address these challenges, enhancing the ability to predict fatigue and mechanical performance through advanced techniques like classification of non-stationary signals and innovative modeling and classification approaches.

The research will tap into the potential of AI tools, such as autoencoders and other learning frameworks, to process complex vibration data and uncover patterns which traditional methods overlook. By refining how we assess and interpret these signals, the project aims to deliver more robust and adaptable solutions for evaluating system behavior. As AI becomes a cornerstone of future defense technologies, this work will position you at the forefront of innovation, contributing to both scientific progress and strategic advancements in military resilience.

Offered in collaboration with Inria, the University of Angers, and DGA Land Techniques, this PhD provides a unique platform for candidates passionate about AI, mechanical engineering, and defense. The outcomes will directly enhance the reliability of military vehicles, with broader implications for industries like aerospace and automotive, potentially shaping standards used by leading organizations. Based between Rennes and Angers, the project combines access to cutting-edge resources with a multidisciplinary team, offering an exceptional opportunity to make a meaningful impact in a high-stakes field.

Profil du candidat :
MSc (or soon-to-be) graduates

Formation et compétences requises :
This PhD, blending AI and mechanical resilience for military vehicles, seeks motivated MSc (or soon-to-be) graduates with the following qualifications:

Graduation Topics: Ideal profiles are those with backgrounds in computational mechanics, AI/data science and/or advanced scientific computing. Candidates can come from various MSc-level curriculums involving signal processing, machine learning, computational mechanics (vibration, fatigue, or structural dynamics), vehicle engineering (e.g., mechatronics), physics or applied mathematics. Experience in implementing numerical methods in high-level programming languages (Matlab, Python, Julia, …) is essential.
Academic Excellence: Outstanding curriculum with top-class grades, reflecting a strong academic track record. Candidates are expected to possess outstanding problem-solving abilities and a proven aptitude for teamwork.
Computer Literacy: Proficiency in navigating advanced algorithms and theoretical concepts, with strong analytical skills.
Citizenship: Should be an EU citizen due to the defense-related nature of the project.
Passion and Drive: Enthusiasm for AI, defense applications, and advancing engineering solutions.

Adresse d’emploi :
Centre Inria de l’Université de Rennes
Campus universitaire de Beaulieu
Avenue du Général Leclerc
35042 Rennes Cedex

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

Laboratoire/Entreprise : ICube Strasbourg
Durée : 3 ans
Contact : florence.leber@engees.unistra.fr
Date limite de publication : 2025-05-19

Contexte :
Cette thèse s’inscrit dans le champ de l’apprentissage non supervisé ou faiblement supervisé appliqué aux données temporelles. Le clustering / classification, qui consiste à partitionner l’ensemble des objets analysés en groupes ou clusters, est une des approches les plus employées et repose sur une mesure de similarité entre les objets. Plus particulièrement, le clustering de séquences soulève des problèmes liés à la mesure de similarité entre deux individus. Par exemple, dans le suivi des cours d’eau, certains phénomènes répondent à une fréquence annuelle liée au cycle naturel de l’eau, mais peuvent être décalés dans le temps du fait de l’éloignement géographique et de la météorologie locale. Or, la mesure de similarité doit pouvoir prendre en compte ces potentiels décalages ou légère distorsions dans le temps. De nombreuses méthodes ont été proposées dans la littérature pour prendre en compte ces spécificités par exemple, Dynamic Time Warpping, Longest Common SubSequence , ou plus récemment des représentations par shapeletsou par réseau de neurones.

Sujet :
L’objectif principal de la thèse est de développer de nouvelles approches pour mesurer la similarité entre deux séries temporelles multivariées en prenant en compte des valeurs manquantes distribuées de manière hétérogène dans le temps et entre les variables. Il s’agira de définir des solutions pour intégrer l’information temporelle (espacement entre deux pas de temps, fréquences temporelles des mesures, …) dans le calcul de la similarité. Nous nous intéresserons également à la manière d’intégrer la connaissance de l’expert via des annotations, aussi appelées contraintes (par exemple, proximité/éloignement entre deux individus sur la base d’informations externes), portant à la fois sur des liens temporels et spatiaux entre différents individus, afin d’améliorer la correspondance entre le clustering obtenu et les attentes de l’expert. Ces approches seront expérimentées sur les données de suivi des cours d’eau, qui soulèvent différentes difficultés, du fait de leur nombre, de leur diversité, et de leur hétérogénéité à la fois spatiale et temporelle. On s’intéressera en particulier aux questions suivantes :
– clustering de séquences constituées de vecteurs de paramètres, sachant que ces paramètres ne sont pas mesurés toujours en même temps
– prise en compte des contraintes temporelles (saisons) ou géographiques (régions hydrographiques)
– couplage des données physico-chimiques avec les données biologiques ou hydrologiques (temporalités différentes)
– exploration des limites des méthodes en nombre et taille de séquences

Profil du candidat :

— Master 2 en Informatique
— Formation en sciences des données, fouille de données, apprentissage.

Formation et compétences requises :

— Connaissances solides en apprentissage automatique et en modélisation de connaissances.
— Bonnes compétences en programmation en Python ou R.
— Bonnes compétences de communication et à l’écrit en anglais.
— Un intérêt pour le sujet d’application

Adresse d’emploi :
UMR ICube, 67400 Illkirch (banlieue sud de Strasbourg, accessible en tram)

Document attaché : 202503231357_Suite_Adqeau.pdf

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

Laboratoire/Entreprise : ONERA
Durée : 3 ans
Contact : valentina.dragos@onera.fr
Date limite de publication : 2025-05-31

Contexte :
A. Problématique générale et contexte
—————————————————
Le sujet de thèse aura pour objectif central l’étude de l’apport de traits linguistiques de nature sémantique dans la caractérisation et la détection de contenus en ligne de nature toxique (e.g. contenu haineux, contenu extrémiste, contenu discriminant). Plus précisément, les connaissances linguistiques examinées seront en lien : (i) d’une part avec l’analyse du degré d’engagement (e.g. « X est Y » vs. « je vous jure/j’ai la preuve que X est Y ») ; (ii) d’autre part avec l’analyse des émotions (e.g. « quel horrible personnage ! »).

Concernant le trait linguistique (i), la problématique de la thèse prend place au sein de travaux visant à examiner de quelle manière les émotions peuvent constituer un trait linguistique pertinent en vue de l’amélioration de systèmes d’identification automatique de discours haineux en ligne, visée encore largement inexplorée en traitement automatique des langues (TAL) [1] et ce alors que plusieurs études ont montré pourtant que la présence d’émotions – en particulier négatives – est un facteur favorable à la propagation de contenus sur Internet (e.g.[2], [3]). Concernant le trait linguistique (ii), la thèse prend place au sein de réflexions menées autour du fait que le degré d’engagement constitue un signe de radicalité et l’on sait que des positionnements radicaux sont de nature à être à plus diffusés que d’autres sur internet, contribuant potentiellement à un phénomène de désinformation [4].
Le sujet prend place dans le contexte sociétal actuel dans lequel sont perceptibles diverses menaces liées à l’adhésion de différentes catégories de personnes aux à des idéologies et mouvances extrémistes (e.g. extrême droite, masculinisme). L’utilisation des plateformes sociales, adoptées par un nombre croissant d’utilisateurs, constitue un vecteur important de diffusion de ces idéologies et la production massive de données disponibles en ligne a déclenché une importante activité de recherche autour de l’analyse de la subjectivité, entendue comme l’expression des goûts, opinions, croyances ou convictions des utilisateurs [5].

Sujet :
B. Objectifs scientifiques
——————————–
Les objectifs scientifiques s’organiseront autour de deux volets principaux : 1. La construction de ressources linguistiques sous la forme de corpus annotés selon les traits (i) et (ii) ainsi que la construction d’ontologies relevant globalement de la représentation de la subjectivité ;
2. Le développement de méthodes de détection automatique de contenus toxiques capables d’exploiter les connaissances modélisées par ces ressources.

1. Construction de ressources linguistiques
Plusieurs corpus représentatifs seront constitués pour décrire les contenus toxiques sur Internet. La construction du corpus s’appuiera sur une liste d’éléments (mots clés, patrons lexicaux) dont l’équipe d’accueil dispose actuellement grâce aux résultats de projets antérieurs, dont notamment FLYER (Artificial intelligence for extremist content analysis, projet ANR ASTRID 2019). Cette liste sera enrichie et mise à jour en explorant de nouvelles données collectées au cours de la thèse.
L’annotation des données sera réalisée en utilisant des schémas d’annotation existants, pour décrire des unités linguistiques émotionnelles [6] et pour décrire le degré d’engagement [7], [8].

On visera également ici à construire des ontologies décrivant la subjectivité, incluant les traits d’émotions et d’’engagement des utilisateurs, et s’appuyant là aussi sur des travaux existants [9], [10], [11] .

2. Développement de méthodes de détection automatique de contenus toxiques capables d’exploiter les connaissances modélisées en 1.

Ce deuxième volet des recherches concernera l’augmentation des plongements sémantiques grâce aux annotations en s’appuyant sur des travaux récents qui ont étendu les principes des plongements sémantiques en considérant les représentations des concepts. Ces études utilisent des graphes conceptuels, des ontologies ou taxonomies, et intègrent ainsi les relations conceptuelles définies de manière explicite par ces ressources. Plusieurs travaux ont d’ailleurs étudié comment l’utilisation de relations telles que la synonymie, l’antonymie ou l’hyperonymie permet d’améliorer la qualité des plongements sémantiques, c’est-à-dire la précision de la sémantique capturée par les représentations vectorielles [14].

Ce deuxième volet de recherches abordera également l’utilisation de la génération augmentée de récupération (Retrieval Augmented Generation – RAG) afin de faciliter l’exploration des dimensions sémantiques principalement visées (émotions et engagement du locuteur) dans les corpus. Cette technique optimise les résultats fournis par un grand modèle de langue (Large Language Model – LLM) en faisant appel à une base de connaissances externe aux sources de données ayant été utilisées pour entraîner le modèle avant de générer une réponse. L’utilisation d’une ontologie peut alors améliorer la pertinence des réponses fournies par un LLM [12].

Tandis que les LLMs et les plongements sémantiques sont construits à partir de connaissances génériques, l’objectif de la thèse est donc d’intégrer des connaissances spécifiques, issues d’ontologies et d’annotations linguistiques pour le traitement des contenus toxiques collectés en ligne. La thèse étudiera ensuite l’impact de cette intégration sur les performances des modèles. Les recherches permettront de développer des méthodes d’intelligence artificielle hybrides, au carrefour de la représentation des connaissances et de l’apprentissage automatique [13] ainsi que dans une réflexion renouvelée sur l’apport des connaissances linguistiques aux systèmes de détection de discours de haine [15].

Profil du candidat :
Eq. Master en Traitement Automatique des Langues (TAL) ou Ingénierie des Connaissances (IC) ou Ecole d’ingénieurs (maths/info)
– Bonnes compétences en programmation, notamment sous Python
– Des connaissances en annotation linguistique sémantique seront un vrai plus
Modalités de candidature
———————————-

Co-direction : Valentina DRAGOS (ONERA, Palaiseau)/ Delphine BATTISTELLI (MoDyCo, Nanterre)
Salaire : 2488€/brut mensuel
Début : septembre 2025
Nationalité européenne requise
Date limite de candidature : 15 avril 2025

Dossier de candidature à envoyer au plus tard le 15 avril 2025 aux deux encadrantes ci-dessus désignées :
CV, lettre de motivation, relevés de notes du M1 et du M2, le nom d’un.e référent.e à contacter

Formation et compétences requises :
Eq. Master en Traitement Automatique des Langues (TAL) ou Ingénierie des Connaissances (IC) ou Ecole d’ingénieurs (maths/info)

Adresse d’emploi :
ONERA
6 Chem. de la Vauve aux Granges,
91120 Palaiseau

Document attaché : 202503241401_THESE_ONERA.pdf

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

Laboratoire/Entreprise : LISIC – Univ. Littoral Côte d’Opale
Durée : 3 years
Contact : esteban.bautista@univ-littoral.fr
Date limite de publication : 2025-06-01

Contexte :
Many complex systems — such as the Internet, transportation networks, and financial systems — produce data that naturally takes the form of temporal graphs, where each link between nodes is time-stamped. Temporal graphs allow us to model and analyze interactions over time, such as network traffic between computers, scheduled trips between stations, or transactions between bank accounts. A common challenge in working with such graphs is identifying subsets of the temporal graph that optimize certain properties, like density, cost, duration, etc. These tasks are essential for applications such as anomaly detection, cybersecurity, or route planning, but they typically involve NP-hard combinatorial problems, making them impractical to solve exactly.

This PhD project explores a new direction for tackling these problems using artificial intelligence. While heuristic methods exist, they often struggle to balance speed and accuracy in temporal graph settings. In contrast, recent advances show that AI models can be trained to solve combinatorial problems on static graphs efficiently, yet their potential remains largely unexplored in the temporal graph setting. This project aims to bridge that gap by developing AI-based methods that learn to solve combinatorial optimisation problems emerging on temporal graphs.

Sujet :
This PhD project aims to explore the potential of machine learning methods as a means to solve combinatorial optimization problems on temporal graphs. We target three specific goals:

Goal 1: End-to-end learning framework.
We aim to design a framework that trains neural models to directly map problem instances to solutions in temporal graphs. While such approaches exist for static graphs, our challenge is to extend them to the temporal setting by defining suitable loss functions and training strategies.

Goal 2: A novel filter-based architecture.
We plan to develop a neural architecture that treats optimization as a filtering task — discarding irrelevant links to isolate the optimal subgraph. Building on spectral methods and recent work in temporal graph signal processing, we will explore how filters can be effectively defined and learned in a frequency-structural domain.

Goal 3: High-impact applications.
We will validate our methods on two key applications:

– Anomaly localization: Many systems detect anomalies but fail to pinpoint their origin. We aim to learn to localize anomalies without relying on assumptions about their structure.

– Temporal graph exploration: In transportation networks, finding optimal exploration routes is NP-hard. Our goal is to develop practical AI-based methods that scale better than current approximations.

Profil du candidat :
We look for highly motivated candidates with relevant experience in computer science, graph algorithms, and/or
deep learning. Experience in Python programming and operations research will be a plus.

—— Application ——-

Interested candidates are invited to send an e-mail to

• esteban.bautista@univ-littoral.fr
• rym.guibadj@univ-littoral.fr
• gilles.roussel@univ-littoral.fr

while attaching the documents that can support their application:

• your resume;
• a cover letter;
• your transcripts from the last year of B.Sc to the last year of M.Sc. (if the latter is already available);
• two reference letters or the names and means of contact of two academic advisers.

Applications will be reviewed on a rolling basis until the position is filled.

Formation et compétences requises :

Adresse d’emploi :
LISIC Laboratory – Université du Littoral Côte d’Opale – Site Saint-Omer (Hautes de France), France

Document attaché : 202504141925_PhD_COTEG.pdf

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

Laboratoire/Entreprise : LISIC – Univ. Littoral Côte d’Opale
Durée : 3 years
Contact : esteban.bautista@univ-littoral.fr
Date limite de publication : 2025-06-01

Contexte :
Many real-world systems — such as industrial IoT networks, online marketplaces, and social platforms — produce data that naturally forms temporal graphs, where each interaction represents who interacted with whom, and when. Temporal graphs offer a powerful way to capture the evolving structure of complex systems and are key to detecting critical phenomena like fraud, cyberattacks, or the spread of misinformation. However, building machine learning tools for temporal graphs remains a major challenge, as common notions of similarity — essential for tasks like classification, prediction, or anomaly detection — are not easily defined in this context.

This PhD project tackles that challenge by developing interpretable methods to compare temporal graphs. The core idea is to use tensor decompositions, which naturally represent temporal graphs as three-dimensional arrays and break them down into simpler/elementary building blocks. Such temporal graph “atoms” can be leveraged to identify what fundamental building blocks are common and different across temporal graph instances, resulting in a set of tools that not only enhance machine learning on temporal graphs but also offer insights into the underlying patterns driving complex systems.

Sujet :
This PhD project aims to lay the foundation for interpretable machine learning on temporal graphs by developing similarity metrics that reveal meaningful patterns across time-evolving systems. To achieve this, we pursue three main goals:

Goal 1: A new tensor decomposition for temporal graphs.
We will develop a decomposition method tailored to the unique challenges of temporal graphs — including their binary and sparse nature, multi-scale patterns, and varying node sets or time intervals. Existing approaches fall short in capturing these aspects jointly. Our method will extend recent advances in geometric and coupled decompositions to extract shared and distinct motifs across graphs.

Goal 2: Similarity metrics, machine learning tasks, and toolbox.
Using our decomposition, we will define interpretable metrics that compare temporal graphs based on their structure, dynamics, and scale. These metrics will power machine learning algorithms for clustering, segmentation, change detection, and prediction. All methods will be implemented in a unified Python toolbox.

Goal 3: Applications to real-world data.
We will validate our methods on two domains. On Wikipedia, we aim to uncover patterns behind successful collaborations by analyzing contributor interactions. In Industry 4.0 settings, we will detect abnormal behaviors in sensor networks to identify faults or cyberattacks.

Profil du candidat :
We look for highly motivated candidates with relevant experience in computer science, data science, and graph machine learning. Experience in Python programming and signal processing will be a plus.

Interested candidates are invited to send an e-mail to
• esteban.bautista@univ-littoral.fr
• laurent.brisson@imt-atlantique.fr
• matthieu.puigt@univ-littoral.fr
while attaching the documents that can support their application:
• your resume;
• a cover letter;
• your transcripts from the last year of B.Sc to the last year of M.Sc. (if the latter is already available)
• two reference letters or the names and means of contact of two academic advisers.

Applications will be reviewed on a rolling basis until the position is filled.

Formation et compétences requises :

Adresse d’emploi :
LISIC Laboratory – Université du Littoral Côte d’Opale – Site Saint-Omer (Hautes-de-France), France

Document attaché : 202504141906_PhD_Data2Laws.pdf

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

Laboratoire/Entreprise : LIS
Durée : 36 mois
Contact : etienne.thuillier@univ-amu.fr
Date limite de publication : 2025-06-05

Contexte :
Le transport maritime assure 90% des échanges mondiaux de biens et marchandises. D’un point de vue environnemental, il est de loin le moyen de transport le plus efficient à la tonne de marchandise transportée, bien qu’il doive lui aussi relever le défi de réduire significativement ses émissions. Aujourd’hui l’industrie maritime a initié une profonde transformation qui nécessite un effort important d’innovation et de recherche de la part de l’ensemble des acteurs de l’industrie pour lever les verrous technologiques et scientifiques actuels.

Le projet TNTM (Transformation Numérique du Transport Maritime) s’intègre dans ce contexte d’optimisation de l’industrie maritime et se propose d’agir sur l’ensemble des acteurs aussi bien en mer que sur terre, pour réussir le pari d’un transport moins-carboné voire décarboné. Ainsi, un des axes pour parvenir à ces objectifs est l’excellence opérationnelle qui vise à optimiser l’usage des navires.
Cette excellence opérationnelle est basée sur deux innovations majeures, la première innovation est celle de l’IoT et des données, encore très peu présentes sur les navires et les conteneurs maritimes. La deuxième innovation est liée à l’utilisation d’algorithmes d’optimisation pour améliorer la chaîne logistique maritime du transport par conteneur, en intégrant les dernières avancées de la recherche opérationnelle, des méthodes d’optimisation, de la simulation et du traitement de données (machine learning, etc.). C’est dans ce cadre que se situe cette thèse.

Aujourd’hui, de multiples acteurs différents (sites de chargements et déchargements, transporteurs, terminaux, etc.) sont impliqués dans le transport d’un conteneur. Chaque passage de responsabilité entre deux acteurs crée un risque de mauvaise exécution du plan de transport et cette chaîne logistique est désynchronisée. Il n’existe souvent aucune contextualisation dynamique du plan de voyage du conteneur, et ce, même en ayant connaissance des données issues du conteneur intelligent. Par exemple, les zones d’intérêts géographiques (ZOI) du plan de voyage sont créés manuellement par les utilisateurs et les clients. Autre exemple, des surveillances et des extractions manuelles des données sont réalisées quotidiennement pour fournir des alertes et des informations au client face à des événements inattendus.

Sujet :
Le contexte scientifique de cette thèse relève du Trajectory (Data) Mining, i.e., un ensemble de techniques visant à explorer, analyser, et fouiller des données spatio-temporelles issues des trajectoires d’objets mobiles. Différentes problématiques sont associées à ce domaine, comme par exemple l’analyse exploratoire, le clustering de trajectoires, la classification, la détection d’anomalies, etc.
Parmi les nombreuses problématiques liées à ce domaine, nous nous focaliserons dans cette thèse sur : (1) la reconstruction géographique des trajectoires à partir de données de géopositionnement de conteneurs maritimes, et (2) l’enrichissement sémantique des trajectoires, notamment par l’identification dynamique de ZOI.
Il existe de nombreux modèles mathématiques pour reconstruire des trajectoires à partir du clustering ou de l’identification de patterns dans des données spatio-temporelles. L’algorithme DBscan, et ses variantes, sont souvent les plus utilisés car bien adaptés aux traces de positionnement fournies par les technologies GNSS (Global Navigation Satellite System) ou aux données issues des télécommunications ou du radiopositionnement (Call Detail Records, indoor-positioning, etc.). Le challenge ici réside dans l’application de tels modèles à des données à grosse granularité temporelle comme celles utilisées dans le projet TNTM et qui sont des données AIS (Automatic Identification System).
Concernant l’enrichissement sémantique des trajectoires, le problème consiste à représenter et exploiter un ensemble d’informations contextuelles telles que la détection du mode de transport, le motif et le contexte de déplacement, la découverte des zones d’intérêts, etc. Dans le cadre de cette thèse nous nous limiterons à la détection automatique des ZOI et à leur classification. L’extraction de ZOI à partir de données spatio-temporelles se base généralement sur les algorithmes de reconstruction des trajectoires. On observe toutefois un recours accru aux données issues des connaissances terrain (données sursol, connaissance métier, etc.) pour enrichir et affiner la reconstruction de telles zones. C’est sur ce dernier point que nous concentrerons nos efforts pour développer un modèle de classification des ZOI.
Les principaux objectifs du projet de thèse sont les suivants :
* Analyser la qualité des données issues des conteneurs intelligents.
* Concevoir un modèle de représentation des trajectoires.
* Identifier les ZOI et leur emprise spatiale à partir des trajectoires spatio-temporelles des conteneurs.
* Classifier ces ZOI en fonction des informations contextuelles et des connaissances métier de notre partenaire industriel dans le projet TNTM.

Profil du candidat :
* Titulaire d’un master 2 ou diplome d’ingénieur en informatique

Formation et compétences requises :
* Solides compétences en apprentissage automatique (machine learning)
* Solides compétences en programmation objet et bases de données (python est un plus)
* Bonne expérience en statistiques
* Connaissances sur les SIG
* Bonne communication orale et écrite en français et anglais

Adresse d’emploi :
Laboratoire LIS, Marseille (Campus St Jérôme)

Document attaché : 202205091335_Thesis_TNTM.pdf

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

Laboratoire/Entreprise : LIST3N
Durée : 3 ans
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2025-06-24

Contexte :

Sujet :
voir le descriptif de la thèse “High-dimensional learning for automatic and robust target detection in hyperspectral imagery” dans le fichier attaché

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Université de Technologie de Troyes

Document attaché : 202504241217_PhD_target_detection_hyperspectral_imagery.pdf

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

Laboratoire/Entreprise : GREYC (Caen) ou CARMeN(Rouen) ,à discuter avec le
Durée : 3 ans
Contact : luc.brun@ensicaen.fr
Date limite de publication : 2025-06-30

Contexte :
Les laboratoires GREYC (Informatique) et CARMeN (chimie théorique) collaborent dans le cadre d’une bourse de thèse CNRS entre les instituts de chimie et d’informatique, L’accueil principal du doctorant pourra être discuté avec ce dernier la thèse se déroulant de toute façon dans le cadre d’une collaboration étroite entre les deux laboratoires. La bourse de thèse permet de financer outre le salaire du doctorant, un certain nombre de frais annexes tels que des déplacements.

Sujet :
La prédiction de liaisons non covalentes dans une molécule est un processus complexe qui nécessite de calculer l’évolution de la position de chacun des atomes des celle-ci au cours du temps. Ce processus peut être effectué à l’aide de logiciel de chimie quantique très coûteux en calcul, ce qui limite ce type de prédiction à des jeux réduits de petites molécules.

L’objet de la thèse est de concevoir des méthodes de prédiction plus efficace en remplaçant l’étape de simulation par une étape d’apprentissage à l’aide d’apprentissage profond sur graphes.

Profil du candidat :
Diplômé d’un diplôme d’ingénieur ou d’un master en informatique, l’étudiant doit être à l’aise en programmation python et dans la lecture d’articles avec un contenu scientifique. Il devra également être autonome et approfondir de lui-même les pistes de recherche qui lui seront indiquées. On s’attend à ce qu’il soit force de proposition au terme de la première année de thèse.

Formation et compétences requises :
Diplômé d’un diplôme d’ingénieur ou de master en Informatique avec une spécialisation en apprentissage profond. Des compétences en graphes et des bases en chimie seraient appréciées sans être des prérequis.

Adresse d’emploi :
GREYC
6 boulevard du Maréchal Juin,
14050 Caen

ou

Laboratoire COBRA
Bâtiment IRCOF – 1, rue Tesnière
76821 Mont-Saint-Aignan cedex

À discuter avec l’étudiant

Document attaché : 202504031311_these_rouen.pdf

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

Laboratoire/Entreprise : CRIStAL / Univ. Lille
Durée : 36 months
Contact : jenny.sorce@univ-lille.fr
Date limite de publication : 2025-06-30

Contexte :
This PhD thesis proposal focuses on improving galaxy cluster mass estimation to enhance cosmological parameter inference, in order to address critical challenges such as the S8 cosmological parameter discrepancy. By leveraging multi-wavelength observations, advanced statistical techniques including Bayesian inference and machine learning to solve this inverse problem, the project aims to refine relations between the cluster mass and their observable properties, reduce data dimensionality, and efficiently process large datasets. Anticipated outcomes include innovative Bayesian hierarchical models, optimized data reduction algorithms, and a robust inference pipeline for generating a high-fidelity galaxy cluster mass catalog towards testing cosmological models.

Sujet :
The standard cosmological model successfully describes the Universe’s large-scale structure and evolution. Observational evidence, including the cosmic microwave background (CMB) and the hierarchical distribution of galaxies in the cosmic web, provides strong support for this model. These data suggest that dark matter and dark energy dominate the Universe, together constituting approximately 95% of its total content.
Despite its success, this model faces challenges. For instance, the value derived for the S8 parameter, which characterizes the matter distribution on certain scales, differs by three standard deviations when using galaxy cluster counts instead of CMB observations. Resolving this tension is critical to determine whether new physics theories are required, or systematic errors in data analysis pipelines need to be accounted for.
Galaxy clusters are a key tool to address these challenges. As the largest gravitationally bound structures in the Universe, their number and masses are closely related to the underlying cosmology. Accurately estimating their masses and number across diverse environments and redshifts is essential to test the standard model and refine our understanding of the Universe.
This PhD project focuses on developing Bayesian hierarchical models to improve the estimation of galaxy cluster masses. By leveraging multi-wavelength observations, advanced data reduction, and machine learning techniques, this research will provide more precise mass estimates, refine scaling relations, and facilitate the inference of cosmological parameters from large datasets.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq

Document attaché : 202503181504_main.pdf

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

Laboratoire/Entreprise : LIFAT (Laboratoire d’Informatique Fondamentale et
Durée : 3 ans
Contact : frederic.rayar@univ-tours.fr
Date limite de publication : 2025-06-30

Contexte :
Cette offre de thèse s’inscrit dans le cadre du projet « Fact Checking » mené depuis 2021 entre le laboratoire LIFAT et l’équipe PRIM (chercheurs en Science de l’Information et de la Communication). Le fact checking, ou vérification de fait, consiste à vérifier la véracité des faits présentés dans les médias par des personnalités publiques ou autres organisations.

De nombreux travaux de recherches ont été et sont en train d’être menéspour répondre à l’enjeu majeur de la désinformation, notamment depuis l’avènement des technologies de deep-fake et d’IA génératives. Ce phénomène de désinformation massive est observable dans plusieurs domaines : on peut citer en particulier la sphère politique (« political discourse »), le changement climatique ou encore le domaine de santé (« COVID-19 misinformation »).

Cette thèse vise à la conception et à l’évaluation de nouvelles techniques de détection multimodale (vidéo, image, audio, texte) dans du contenu multimédia (vidéo, audio).

Sujet :
Cette thèse vise à la conception et à l’évaluation de nouvelles techniques de détection multimodale (vidéo, image, audio, texte) dans du contenu multimédia (vidéo, audio).

Pour ce faire, la thèse explorera l’utilisation de concepts d’IA à différents niveaux « Audio-visual Active Speaker identification » (ASD), « Multimodal Named Entity recognition » (MNER), « Retrieval-Augmented Generation » (RAG), etc., et l’exploitation d’une base de données de fait vérifiés existante (base de données issue de travaux précédents ou benchmark existants).

Par ailleurs, compte-tenu de l’impact sociétal de ces travaux, un fort accent sera mis sur l’explicabilité des algorithmes multimodaux proposés, en agrégant différentes solutions : récupération d’information tierces via la recherche d’information, génération textuelle, visualisation d’élément saillant dans les images/vidéos, isolation des séquences d’intérêt dans les pistes audio/vidéos, etc.

Enfin, durant la réalisation de ces travaux de recherche, il s’agira aussi de tenir compte des verrous théoriques et empiriques de l’acception des citoyens d’un tel outil via les notions d’interactions avec les outils développés, et de visualisation interactive et d’ergonomie. Ces aspects seront abordés via une collaboration avec des chercheurs en sciences de l’information et de la communication ou des journalistes et fact-checkers.

Profil du candidat :
M2 en informatique ou diplôme d’ingénieur
Bonnes connaissances en Machine Learning et Intelligence Artificielle
Bonnes connaissances en programmation indispensables
Des compétences en développement web sont souhaitables
Bonnes capacités de communication et de rédaction, en particulier en anglais

Formation et compétences requises :

Adresse d’emploi :
Laboratoire d’Informatique LIFAT
Équipe RFAI (Reconnaissance des Formes et Analyse d’Images)
64 avenue Jean Portalis – 37200 – Tours

Document attaché : 202502101508_2025_PhD_lifat_v3.pdf

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

Laboratoire/Entreprise : IRISA
Durée : 36 months
Contact : tristan.allard@irisa.fr
Date limite de publication : 2025-06-30

Contexte :
This PhD offer is funded by the PEPR Cybersecurity IPoP project (https://files.inria.fr/ipop/) and proposed by the Security and Privacy team (SPICY, https://www-spicy.irisa.fr/) from the IRISA institute (https://www.irisa.fr/en) in Rennes, France. The work will be supervised jointly by Tristan Allard (PhD, HDR, https://people.irisa.fr/Tristan.Allard/) associate professor at the University of Rennes, expert in privacy in data intensive systems, and Barbara FILA (PhD, HDR, http://people.irisa.fr/Barbara.Fila/), associate professor at INSA Rennes, expert in formal methods for risk assessment.

The successful candidate will be working at IRISA — the largest French research laboratory in the field of computer science and information technologies (more than 850 people). IRISA provides an exciting environment where French and international researchers perform cutting edge scientific activities in all domains of computer science.

Rennes is located in the West part of France in the beautiful region of Brittany. From Rennes, you can reach the sea side in about 45~minutes by car and Paris center in about 90~minutes by train. Rennes is a nice and vibrant student-friendly city. It is often ranked as one of the best student cities in France. Rennes is known and appreciated for its academic excellence, especially in the field of cybersecurity, its professional landmark, the quality of its student life, the affordability of its housing offer, its rich cultural life, and much more.

Sujet :
Context and goal

Health data, social networks, electricity consumption… Vast quantities of personal data are collected today by private companies or public organizations. Various legal, monetary, or visibility incentives push data holders to envision sharing versions of the collected datasets that provide both statistical utility and privacy guarantees. Indeed, sharing data at large, e.g., as open data, without jeopardizing privacy, is expected to bring strong benefits (strengthening, e.g., scientific studies, innovation, public policies).

Synthetic data generation is a promising approach. First, synthetic data generation algorithms aim at generating datasets that are as close as possible to the original datasets. Either synthetically generated data or the generative models trained over the original data could be shared for supporting elaborate data analysis. Second, substantial progress has been made during the last decade about the privacy guarantees of synthetic data generation algorithms. For example, there exist today synthetic data generation algorithms that satisfy variants of differential privacy, one of the most prominent family of privacy models [2].

However security is a constant race between the attackers and the defenders. A large number of attacks exists and keeps growing [5]. As a result, because of the complex environment in which synthetic data generation takes place (e.g., utility needs, diversity of information sources, diversity of data generation algorithms), analyzing the risks remains hazardous even when strong privacy-preserving techniques are used.

The main goal of this PhD thesis is to design a formal method based approach allowing data holders to analyze the risks related to their synthetic data publication practices.

The main tasks of the PhD student will be to:
– Study the state-of-the-art about attacks on synthetic data generation algorithms (e.g., membership inference attacks [4, 6]) and about relevant formal methods (e.g., attack tree based risk analysis models [3]). We will focus on tabular data and time series.
– Model the full synthetic data generation environment. Most especially, this includes capturing the attackers’ capabilities (e.g., goals [5], background knowledge, computational resources, sequences of steps), the relationships between attackers, the sources of auxiliary information, and the data sharing practices.
– Design efficient algorithms for finding the attacks that illustrate privacy risks, implement them, and evaluate their performance.

In addition to the core tasks of the project, the successful candidate will also contribute to the organisation of competitions where the privacy guarantees of synthetic data generation algorithms are challenged [1] (see, e.g., the Snake1 challenge (https://snake-challenge.github.io)).

References

[1] Tristan Allard, Louis Béziaud, and Sébastien Gambs. Snake challenge: Sanitization algorithms under attack. Proceedings of the 32nd ACM International Conference on Information and Knowledge Management (CIKM ’23), 2023.

[2] Damien Desfontaines and Balázs Pejó. Sok: Differential privacies. Proceedings on Privacy Enhancing Technologies, 2020(2):288–313, 2020.

[3] Barbara Kordy (Fila), Ludovic Piètre-Cambacédès, and Patrick Schweitzer. Dag-based attack and defense modeling: Don’t miss the forest for the attack trees. Comput. Sci. Rev., 13-14:1–38, 2014.

[4] Hongsheng Hu, Zoran A. Salcic, Lichao Sun, Gillian Dobbie, P. Yu, and Xuyun Zhang. Membership inference
attacks on machine learning: A survey. ACM Computing Surveys (CSUR), 54:1 – 37, 2021.

[5] Ahmed Salem, Giovanni Cherubin, David Evans, Boris Köpf, Andrew Paverd, Anshuman Suri, Shruti Tople, and Santiago Zanella-Béguelin. Sok: Let the privacy games begin! a unified treatment of data inference privacy in machine learning. In Proceedings of the 2023 IEEE Symposium on Security and Privacy (S&P ’23), pages 327–345, 2023.

[6] Antonin Voyez, Tristan Allard, Gildas Avoine, Pierre Cauchois, Élisa Fromont, and Matthieu Simonin. Membership inference attacks on aggregated time series with linear programming. In Proceedings of the 19th International Conference on Security and Cryptography (SECRYPT ’22), 2022.

Profil du candidat :
– The candidate must have obtained, or be about to obtain, a master degree in computer science or in a related field.
– The candidate must be curious, autonomous, and rigorous.
– The candidate must be able to communicate in English (oral and written). The knowledge of the French language is not required.
– The candidate must have a strong interest in cybersecurity.
– Skills in machine learning and/or formal methods will be appreciated.

Formation et compétences requises :

Adresse d’emploi :
IRISA Rennes
Campus de Beaulieu, 263 avenue du Général Leclerc
35042 RENNES cedex

Document attaché : 202501201621_PhD_thesis_IRISA_France.pdf

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

Laboratoire/Entreprise : CIRAD Montpellier
Durée : 6 mois
Contact : romain.fernandez@cirad.fr
Date limite de publication : 2025-04-30

Contexte :
Le projet DeepAeroDynamics (DADY) vise à combiner l’imagerie drone multispectrale time-lapse et le deep learning pour faire face aux défis du changement climatique et de la sécurité alimentaire dans les pays du Sud. L’objectif est de développer un modèle fondation capable d’intégrer les données multispectrales, spatiales et temporelles observées par drone aérien dans des environnements complexes et hétérogènes du Sud dans le but d’anticiper et prédire le comportement de plantes cultivées en agroécologie (Sahel, Madagascar, Guadeloupe).

Sujet :
Le stagiaire sera au coeur du développement d’une architecture deep learning permettant :
* D’analyser des séries temporelles multispectrales d’imagerie drone, et extraire automatiquement des représentations informatives de l’état des systèmes observés.
* D’analyser les dynamiques temporelles en utilisant des modèles de type Transformers pour capturer les évolutions des cultures décrites dans un espace latent.
* De maximiser l’utilisation des données par des techniques d’apprentissage semi-supervisées et des consignes prétextes pour maximiser la capacité d’apprentissage de l’architecture fondation.

Le développement des modèles s’appuiera sur des architectures CNN et Transformers. L’approche sera validée sur des jeux de données déjà acquis et stockés à proximité d’un supercalculateur. Les tests de niveau 1 s’effectueront sur une ferme GPU locale, et les modèles de niveau 2 seront testés sur les supercalculateurs Jean Zay et Adastra (20e mondial au TOP500). Les modèles seront documentés et diffusés en open-source, accompagnés de scripts pour le fine-tuning.

Profil du candidat :
Étudiant·e en Master 2 ou école d’ingénieur avec spécialisation en deep learning.

Formation et compétences requises :
Travail avec Python, Pytorch/Tensorflow, Github, Intégration Continue. Expérience en traitement d’images. Capacité à travailler en équipe dans un environnement mêlant informatique, biologie et agroécologie.

Adresse d’emploi :
La rémunération selon barème légal des stages sera de 600€ mensuel, avec accès à la restauration collective le midi. Le stage aura lieu au Cirad de Montpellier, 389 Av. Agropolis, 34980 Montferrier-sur-Lez.

Document attaché : 202412131037_Offre de stage M2 – 2025 – DADY.pdf

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

Laboratoire/Entreprise : Laboratoire IBISC, Université d’Evry Paris-Saclay
Durée : 5-6 mois
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 2025-04-30

Contexte :

Sujet :
Description du sujet:

Le cancer du sein est considéré dans le monde comme la première cause de mortalité parmi les différentes localisations du cancer chez les femmes. Malgré les progrès importants réalisés ces dernières décennies pour améliorer la gestion de ce type de cancer, des outils de diagnostic plus précis sont encore nécessaires pour aider les experts à lutter contre cette maladie mortelle. De nombreux travaux ont été menés pour détecter la présence de tissus cancéreux dans le sein et pour la classification tumorale, en utilisant des outils dérivés de l’intelligence artificielle, souvent inspirés des systèmes naturels. En effet, des études récentes ont été publiées et plusieurs outils ont été développés, essentiellement basés sur l’apprentissage automatique, pour identifier et catégoriser automatiquement les masses mammaires malignes. Dans ce travail, nous nous concentrons sur l’extraction des attributs caractérisant les masses mammaires malignes, en tenant compte des paramètres environnementaux, tels que la pollution atmosphérique. Après une étude approfondie des méthodes récentes, le candidat développera une méthode basée sur les approches d’apprentissage automatique. La méthode développée permettra l’identification du cancer du sein et facilitera la prise de décision. La validation de la méthode proposée sera effectuée sur des bases de données connues.
Références:

[1] Peikari, M., Salama, S., Nofech-Mozes, S. and Martel, A.L., 2017. Automatic cellularity assessment from post-treated breast surgical specimens. Cytometry Part A, 91(11), pp.1078-1087.

[2] P. Khosravi, E. Kazemi, M. Imielinski, O. Elemento, and I. Hajirasouliha, Deep convolutional neural networks enable discrimination of heterogeneous digital pathology images,EBioMedicine, vol. 27, pp. 317 – 328, 2018.

[3] Adel Abdelli, Rachida Saouli, Khalifa Djemal, Imane Youkana, Combined Datasets For Breast Cancer Grading Based On Multi-CNN Architectures. 10th IEEE International conference on Image processing Theory, Tools and Applications IPTA 2020, November 09-12, Paris, France.

[4] Rima Daoudi and Khalifa Djemal, Breast Cancer Classification by Artificial Immune Algorithm based Validity Interval Cells Selection, Proceedings of ECTA 2016, ISBN: 978-989-758-201-1, Porto, Portugal, 9-11 november 2016.

[5] Konstantinos Charalampous and Antonios Gasteratos, Bio-inspired Deep Learning Model for Object Recognition, IEEE International Conference on Imaging Systems and Techniques (IST), pages:51 – 55, October 22-23, Beijing, china, 2013.

[6] S.R. Kheradpisheh, M. Ganjtabesh, and T. Masquelier, Bio-inspired unsupervised learning of visual features leads to robust invariant object recognition. Neurocomputing 205 (2016), pages: 382-392.

[7] https://www.acr.org

Profil du candidat :
Sujet de stage pour Master 2 ou équivalent, de préférence des spécialités suivantes :
– Machine Learning
– Imagerie Biomédicale
– Informatique Biomédicale

Formation et compétences requises :
– Programmation Python, Matlab,
– Machine Learning
– Des connaissances de base en traitement d’images

Adresse d’emploi :
Université d’Evry Paris Saclay
Laboratoire Informatique, Biologie Intégrative et Systèmes Complexes – IBISC, 40 rue du Pelvoux, 91020 Evry, France.

Document attaché : 202503170951_Sujet-Stage-Master2-CS-2024-2025.pdf

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

Laboratoire/Entreprise : LaSTIG (Université Gustave Eiffel – IGN/ENSG)
Durée : 5 mois
Contact : charly.bernard@ign.fr
Date limite de publication : 2025-04-30

Contexte :

Sujet :
Ce stage s’inscrit dans un ensemble de travaux visant à proposer une méthodologie générique et reproductible pour la construction d’un graphe de connaissances géohistorique des voies et des adresses à partir des documents historiques et de données publiées sur le Web.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Équipe LaSTIG/Strudel – École Nationale des Sciences Géographiques
6-8 avenue Blaise Pascal
77420 Champs-sur-Marne
(RER A, station Noisy-Champs)

Document attaché : 202412131314_2025-Sujet_Stage_M2_LLM_Rues_Paris.pdf

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

Laboratoire/Entreprise : ICube
Durée : 6 mois
Contact : nicolas.lachiche@unistra.fr
Date limite de publication : 2025-05-04

Contexte :
Collaboration avec le service de réanimation de l’hôpital de Hautepierre à Strasbourg

Sujet :
Description de l’offre

Les patients admis en réanimation médicale sont souvent atteints de maladies graves, voire potentiellement mortelles, nécessitant de multiples traitements. L’incidence des interactions médicamenteuses y est donc élevée, avec des conséquences parfois sévères, telles qu’une exacerbation des effets secondaires ou une augmentation de la toxicité des médicaments.
De plus, ces patients présentent fréquemment des insuffisances rénale et/ou hépatique, ce qui peut entraîner des surdosages médicamenteux en raison d’une élimination altérée. Cela complexifie davantage la tâche du prescripteur, qui doit quotidiennement évaluer le rapport bénéfice/risque des traitements administrés.
Aujourd’hui, un grand nombre de données sont automatiquement collectées chez les patients de réanimation. L’objectif de ce stage est d’utiliser ces informations pour apprendre à détecter les interactions médicamenteuses et ainsi assister le clinicien dans ses décisions thérapeutiques.
Dans le cadre de ce projet, nous nous concentrerons sur l’allongement de l’intervalle QT comme indicateur mesurable des interactions médicamenteuses touchant le cœur. Cet intervalle, mesuré sur l’électrocardiogramme, est influencé par de nombreux facteurs et médicaments (CredibleMeds). En cas d’allongement excessif, il peut induire des troubles du rythme cardiaque
potentiellement mortels.

Travail à réaliser

– Calculer l’intervalle QT à partir des électrocardiogrammes en utilisant les librairies de traitement
du signal existantes
– Vérifier l’influence de situations et médicaments connus sur le QT extrait des bases de données
– Identifier et extraire les médicaments et autres informations pertinentes des données
– Utiliser des algorithmes d’apprentissage machine pour prédire la variation du QT

Profil du candidat :
Bac +4-5 en informatique, science des données, intelligence artificielle, apprentissage automatique

Formation et compétences requises :
Python et les librairies classiques de l’apprentissage profond et des séries temporelles

Adresse d’emploi :
ICube
300 Boulevard Brant
67412 Illkirch

Document attaché : 202410071201_StageM2_Interactions2024.pdf

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

Laboratoire/Entreprise : Laboratoire MAP5, Université Paris-Cité,
Durée : 4-6 months + opportu
Contact : anne.sabourin@u-paris.fr
Date limite de publication : 2025-05-04

Contexte :
The internship is intended to lead to a PhD thesis if everything goes as planned. The PhD will be funded by the ANR project EXSTA led by A. Sabourin. The Phd Candidate will benefit from interactions with other researchers in the field e.g. through workshops organised within the project’s framework, in addition to usual participation in conferences.

Sujet :
Context: Extreme Value Theory (EVT) is a field of probability and statistics concerned with tails of distributions, that is, regions of the sample space located far away from the bulk, associated with rare and extreme events. Poviding probabilistic descriptions and statistical inference methods for the tails requires sound theoretical assumptions pertaining to the theory of regular variation and maximum domains of attraction, ensuring that a limit distribution of extremes exists. This setting encompasses a wide range of applications in various disciplines where extremes have tremendous impact, such as climate science, insurance, environmental risks and industrial monitoring systems [1].

In a supervised learning framework, the goal is to learn a good prediction function to predict new, unobserved labels. In many contexts (covariate-shifts, climate change), extrapolation (or out-of-sample) properties of the predictors thus constructed are crucial, and obtaining good generalization properties on unobserved regions of the covariate space is key. Recently, there has been significant interest in the ML literature regarding out-of-domain generalization (see e.g. [2]).

Recent works [3,4,5] focus on the problem of learning a tail predictor based on a small of the most, with non-asymptotic guarantees regarding the risk on extreme regions . For simplicity, the theoretical study in both works is limited to Empirical Risk Minimization (ERM) algorithms without a penalty term. In addition, the regression problem analysed in [5] covers least squares regression only. Also, with heavy-tailed targets, non-linear transformations of the target are required in order to satisfy boundedness assumptions.

Research Objectives: The general purpose of this internship and subsequent thesis is to extend the scope of applications of the supervised learning methods described above to a wider class of learning algorithms. One main limitation of least squares regression is that the optimal predictor (i.e. the conditional expectation given the covariate) is not invariant under non-linear transformations of the target. As a starting point, the least-squares framework will be extended to the quantile regression framework which, in contrast to least squares, is compatible with non-linear transformations. From a statistical learning perspective, we shall extend the ERM framework considered thus far to encompass penalized risk minimizations procedures amenable to high dimensional covariates or non-linear regression functions. SVM quantile regression [6] is a natural candidate for this purpose. The goal will be to obtain finite sample guarantees on the generalization error of quantile regression functions learnt with the a subsample made of the largest observations and hopefully recover learning rates of comparable order as the ones obtained in the classical framework, with the full sample size n replaced with the reduced sample size. The bottleneck is that these largest observations may not be considered as an independent sample because they are order statistics of a full sample. However it is anticipated that proof techniques from recent works [7,8,9] based on conditioning arguments and concentration inequalities incorporating (small) variance terms can be leveraged for this purpose.

References
[1] Beirlant, J., Goegebeur, Y., Segers, J., and Teugels, J. L. (2004). Statistics of Extremes: Theory and
Applications, volume 558. John Wiley & Sons.

[2] Zhou, K., Liu, Z., Qiao, Y., Xiang, T., and Loy, C. C. (2022). Domain generalization: A survey. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 45(4):4396–4415.

[3] Jalalzai, H., Clémençon, S., and Sabourin, A. (2018). On binary classification in extreme regions. In
NeurIPS Proceedings, volume 31.

[4] Clémençon, S., Jalalzai, H., Lhaut, S., Sabourin, A., and Segers, J. (2023). Concentration bounds for the
empirical angular measure with statistical learning applications. Bernoulli, 29(4):2797–2827.

[5] Huet, N., Clémençon, S., and Sabourin, A. (2023). On Regression in Extreme Regions. arXiv preprint
arXiv:2303.03084.

[6] Takeuchi, I., Le, Q. V., Sears, T. D., Smola, A. J., and Williams, C. (2006). Nonparametric quantile
estimation. Journal of machine learning research, 7(7).

Supervisory Team/contact: Anne Sabourin (MAP5, Université Paris-Cité), Clément Dombry (LMB, Université de Franche-Comté)

Profil du candidat :
Master’s student (2nd year) in Applied Mathematics/Statistics/Statistical Machine Learning with an excellent track record and a strong interest for mathematical statistics and learning theory. Some knowledge of R or Python.

Application to the PhD thesis from candidates having already graduated from a Master’s program will also be considered.

Formation et compétences requises :
Being enrolled in or having graduated from a Master’s program in Mathematics/Statistics/Statistical Machine Learning

Adresse d’emploi :
Laboratoire MAP5, Université Paris Cité, 45 rue des Saint Pères, Paris.

Document attaché : 202410081334_offreStage2024.pdf

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

Laboratoire/Entreprise : Centre d’Epidémiologie et de Santé Publique des A
Durée : 4 à 6 mois
Contact : muriel.visani@univ-lr.fr
Date limite de publication : 2025-05-31

Contexte :
/! À noter que ce sujet de stage s’adresse préférentiellement à des étudiants de M2 mais, en fonction de leur profil et de leur expérience, des étudiants de M1 pourraient être acceptés.

/! Parmi les pré-requis explicités dans le fichier ci-joint, nous attirons l’attention des potentiels candidats sur les contraintes en termes de nationalité liées à ce poste.

Sujet :
Voir le fichier ci-joint.

Profil du candidat :
Nous recherchons un(e) étudiant(e) de Master 2 ou de Master 1, de nationalité Française, avec :
– Motivation dans la recherche et l’innovation
– Bonnes compétences en programmation (en particulier avec Python)
– Bonnes compétences en IA et en apprentissage automatique
– Une première expérience du deep learning serait un atout
– Très bon niveau d’anglais (parlé et écrit)
– Connaissances en traitement et analyse d’images

Tous les demandeurs devront se soumettre à une enquête d’habilitation de sécurité avant de pouvoir accéder au site du CESPA.

Formation et compétences requises :

Adresse d’emploi :
Centre d’Epidémiologie et de Santé Publique des Armées (CESPA), Marseille.

Document attaché : 202501240639_StageMaster-CESPA.pdf

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

Laboratoire/Entreprise : Cirad, Montpellier
Durée : 4 à 6 mois
Contact : romain.fernandez@cirad.fr
Date limite de publication : 2025-05-31

Contexte :
Les rizières jouent un rôle central dans la sécurité alimentaire mondiale, et un rôle important dans
le changement climatique d’origine anthropique en émettant chaque année 50 mégatonnes de méthane. Le
projet interdisciplinaire ARIZE vise à relever le double défi de la transition agroécologique et de la sécurité
alimentaire en développant des outils innovants pour l’exploration morpho-anatomique du riz en 3D afin de
sélectionner des variétés de riz adaptées aux cultures en sol sec. Dans ce cadre, nous explorons
l’architecture interne des plantes de riz en 3D via des images inédites par micro-tomographie aux rayons X à
une résolution de 10 μm. Chaque image volumétrique, de l’ordre de 1 To, permet de révéler le réseau 3D
des aérenchymes, ces “canaux” internes qui transportent l’oxygène. Automatiser l’analyse de ces structures
en 3D serait une première mondiale et constitue le cœur de ce stage.

Sujet :
Concevoir un pipeline complet d’analyse 3D pour la segmentation anatomique et l’estimation de
caractéristiques complexes en 3D. Dans ce but, le stagiaire aura la responsabilité de réaliser des
expérimentations avec des outils de l’état de l’art (modèles dédiés “plante” et modèles-fondation
généralistes), et de concevoir une solution technique open-source qui sera mise à disposition dans un
démonstrateur open-source via un plugin Python pour le logiciel Napari. Le stagiaire travaillera en lien étroit
avec le deuxième stagiaire X-atlas 3D, dédié à la reconstruction architecturale en 3D. Une forte collaboration
est prévue pour combiner les résultats dans une solution intégrée.

Profil du candidat :
Étudiant·e en Master 2 ou école d’ingénieur avec spécialisation en informatique, analyse
d’images, ou modélisation mathématique. Le langage de programmation utilisé sera Python, en utilisant
des outils de développement communautaire et de maintien logiciel (Github, Intégration Continue), et des
librairies standards de deep learning (Pytorch/Tensorflow).

Formation et compétences requises :
Expérience en traitement d’images 3D, et/ou
modélisation géométrique appréciée. Intérêt pour le développement d’outils open-source et la
collaboration interdisciplinaire. Capacité à travailler en équipe dans un environnement mêlant
informatique, biologie et agroécologie.

Adresse d’emploi :
La rémunération selon barème légal des stages sera de 600€
mensuel, avec accès à la restauration collective le midi. Le stage aura lieu au Cirad de Montpellier, 389 Av.
Agropolis, 34980 Montferrier-sur-Lez.

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

Laboratoire/Entreprise : Cirad, Montpellier
Durée : 6 mois
Contact : romain.fernandez@cirad.fr
Date limite de publication : 2025-05-31

Contexte :
Les rizières jouent un rôle central dans la sécurité alimentaire mondiale, et un rôle important dans le changement climatique d’origine anthropique en émettant chaque année 50 mégatonnes de méthane. Le projet interdisciplinaire ARIZE vise à relever le double défi de la transition agroécologique et de la sécurité alimentaire en développant des outils innovants pour l’exploration morpho-anatomique du riz en 3D afin de sélectionner des variétés de riz adaptées aux cultures en sol sec. Dans ce cadre, nous explorons l’architecture interne des plantes de riz en 3D via des images inédites par micro-tomographie aux rayons X à une résolution de 10 µm. Chaque image volumétrique, de l’ordre de 1 To, permet de révéler le réseau 3D des aérenchymes, ces “canaux” internes qui transportent l’oxygène. Automatiser l’analyse de ces structures en 3D serait une première mondiale et constitue le cœur de ce stage.

Sujet :
Concevoir un pipeline complet d’analyse 3D pour la segmentation anatomique et l’estimation de caractéristiques complexes en 3D. Dans ce but, le stagiaire aura la responsabilité de réaliser des expérimentations avec des outils de l’état de l’art (modèles dédiés “plante” et modèles-fondation généralistes), et de concevoir une solution technique open-source qui sera mise à disposition dans un démonstrateur open-source via un plugin Python pour le logiciel Napari. Le stagiaire travaillera en lien étroit avec le deuxième stagiaire X-atlas 3D, dédié à la reconstruction architecturale en 3D. Une forte collaboration est prévue pour combiner les résultats dans une solution intégrée.

Profil du candidat :
Étudiant·e en Master 2 ou école d’ingénieur avec spécialisation en informatique, analyse d’images, ou modélisation mathématique. Le langage de programmation utilisé sera Python, en utilisant des outils de développement communautaire et de maintien logiciel (Github, Intégration Continue), et des librairies standards de deep learning (Pytorch/Tensorflow).

Formation et compétences requises :
Expérience en traitement d’images 3D, et/ou modélisation géométrique appréciée. Intérêt pour le développement d’outils open-source et la collaboration interdisciplinaire. Capacité à travailler en équipe dans un environnement mêlant informatique, biologie et agroécologie.

Adresse d’emploi :
La rémunération selon barème légal des stages sera de 600€ mensuel, avec accès à la restauration collective le midi. Le stage aura lieu au Cirad de Montpellier, 389 Av. Agropolis, 34980 Montferrier-sur-Lez.

Document attaché : 202501271049_Offre de stage M2 – Deep aerenchimas.pdf

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

Laboratoire/Entreprise : IMT Atlantique & ENSTA
Durée : 6 mois
Contact : dorian.cazau@ensta.fr
Date limite de publication : 2025-06-30

Contexte :

Sujet :
IA Non‐Supervisée pour le Suivi de la Biodiversité Marine par Acoustique Passive Sous Marine (IANSPAM)

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Brest ‐ IMT Atlantique / ENSTA

Document attaché : 202502101141_Stage IANSPAM.pdf