Annonce en lien avec l’Action/le Réseau : aucun
Laboratoire/Entreprise : LISIC – Université du Littoral Côte d’Opale
Durée : 5 mois
Contact : matthieu.puigt@univ-littoral.fr
Date limite de publication : 2020-04-15
Contexte :
Les techniques de factorisation matricielle sont de populaires outils d’apprentissage statistique, une famille d’approches d’intelligence artificielle. Ces factorisations trouvent de nombreuses applications en traitement du signal et des images (séparation de sources, apprentissage de dictionnaire et approximations parcimonieuses, etc) mais aussi en informatique (systèmes de recommandation). Nous nous intéressons dans ce stage à une application environnementale pour laquelle un développement méthodologique est attendu
Sujet :
Le mobile crowdsensing consiste à acquérir une grande quantité de données à partir d’une foule de capteurs issus de (ou connectés à des) smartphones. Un capteur transforme une grandeur physique en tension ou intensité électrique. Retrouver la grandeur physique à partir de la grandeur électrique en sortie du capteur n’est possible que si le modèle et les paramètres d’étalonnage du capteur sont connus. Ceux-ci sont généralement estimés en laboratoire, par régression de sorties de capteur dans un environnement contrôlé.
Dans le cadre du mobile crowd-sensing, il n’est pas possible d’étalonner en laboratoire le grand nombre de capteurs utilisés. Réaliser ‘étalonnage à distance, sans environnement contrôlé, s’appelle “l’auto-étalonnage”, l’étalonnage “aveugle” ou encore “in situ” de capteurs [1,2].
Nous avons récemment proposé des approches d’étalonnage aveugle d’un réseau homogène de capteurs mobiles en réécrivant le problème d’étalonnage sous la forme d’une factorisation informée d’une matrice de données à valeurs manquantes [3]. En particulier, dans notre formalisme, les facteurs matriciels contiennent la structure de la fonction d’étalonnage considérée (c.-à-d. le modèle d’étalonnage supposé identique pour tout le réseau) et les paramètres d’étalonnage propres à chaque capteur, respectivement.
Plus récemment, nous avons proposé d’accélérer fortement les méthodes de factorisation matricielle à données manquantes, dans un cadre générique (c.-à-d. sans ajout d’information) [4].
Dans le cadre de ce stage, nous proposons (i) d’accélérer les travaux de factorisation informée [3] en utilisant le formalisme de [4] et (ii) d’étendre ces méthodes pour réaliser l’étalonnage d’un réseau hétérogène de capteurs.
Le stage pourra être poursuivi par la préparation d’une thèse dans le domaine de la factorisation matricielle (sous réserve d’obtention d’un financement : ce point sera défini durant le stage).
Références :
[1] B. Maag, Z. Zhou, and L. Thiele. A survey on sensor calibration in air pollution monitoring deployments. IEEE Internet of Things Journal, 5(6) :4857–4870, Dec 2018.
[2] F. Delaine, B. Lebental, and H. Rivano. In situ calibration algorithms for environmental sensor networks : A review. IEEE Sensors Journal, 19(15) :5968–5978, Aug 2019.
[3] C. Dorffer, M. Puigt, G. Delmaire, and G. Roussel. Informed nonnegative matrix factorization methods for mobile sensor network calibration. IEEE Transactions on Signal and Information Processing over Networks, 4(4) :667–682, Dec 2018.
[4] F. Yahaya, M. Puigt, G. Delmaire, and G. Roussel. How to apply random projections to nonnegative matrix factorization with missing entries ? In Proc. of the 27th European Signal Processing Conference (EUSIPCO), 2019.
Profil du candidat :
Curieux et très à l’aise en programmation (Matlab, Python), vous êtes inscrits en deuxième année de Master ou troisième année d’école d’ingénieurs en sciences de données (traitement du signal et des images, machine learning, intelligence artificielle), informatique ou mathématiques appliquées.
Pour candidater, merci de nous envoyer votre CV, une lettre de motivation, deux lettres de recommandation (ou au moins les noms et adresses e-mail de deux référents) et vos relevés de notes de Licence et Master à :
– Matthieu PUIGT (matthieu.puigt [at] univ-littoral.fr)
– Farouk YAHAYA (farouk.yahaya [at] univ-littoral.fr)
– GIlles DELMAIRE (gilles.delmaire [at] univ-littoral.fr)
– Gilles ROUSSEL (gilles.roussel [at] univ-littoral.fr)
Formation et compétences requises :
Curieux et très à l’aise en programmation (Matlab, Python), vous êtes inscrits en deuxième année de Master ou troisième année d’école d’ingénieurs en sciences de données (traitement du signal et des images, machine learning, intelligence artificielle), informatique ou mathématiques appliquées.
Adresse d’emploi :
LISIC, 50 rue F. Buisson, BP 719, 62228 Calais Cedex
le LISIC est situé en plein coeur de la côte d’Opale, renommée pour ses activités de plein air (randonnées, VTT, windsurf, kitesurf, équitation) et sa proximité avec Lille (30 min en TER GV), Londres (1h) et le Nord de l’Europe.