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

Laboratoire/Entreprise : LIRIS, Université Lyon 1
Durée : 3 ans
Contact : parisa.ghodous@univ-lyon1.fr
Date limite de publication : 2022-05-01

Contexte :
le sujet proposé en préparation d’une thèse dont le financement est acquis suite à la réussite de l’appel au projet DémoES proposant de délivrer des certificats sur les compétences acquises tout au long des études pour apporter de la reconnaissance et  épauler les  étudiants dans leurs recherches de stages/alternances/jobs

Sujet :
Le sujet détaillé est ci-joint

Profil du candidat :
mots clés blockchain , identités décentralisées , certification

Formation et compétences requises :
Master en Informatique

Adresse d’emploi :
Université Lyon 1

Document attaché : 202203021618_Sujet_Thèse-Digital_identities.pdf

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

Laboratoire/Entreprise : laboratoire d’informatique et systèmes (LIS) UMR
Durée : 36 mois
Contact : zniyed@univ-tln.fr
Date limite de publication : 2022-04-20

Contexte :
De nos jours, les progrès dans l’apprentissage automatique et surtout dans l’apprentissage profond permettent aux machines de détecter et de reconnaître les objets spécifiques mieux que les êtres humains dans certains domaines. L’apprentissage profond s’appuie généralement sur un volume énorme de données pour apprendre le modèle d’apprentissage. Plus les données sont volumineuses, plus le modèle fonctionne avec précision. Malgré le grand succès de l’apprentissage profond, il reste encore quelques défis à surmonter pour déployer des modèles profonds dans la vie réelle. Entre autres, le déploiement des modèles profonds sur des équipements embarqués ou mobiles ayant des ressources de calcul et de stockage limitées reste un défi majeur. En effet, les réseaux de neurones profonds (DNNs, pour Deep neural networks en anglais) nécessitent beaucoup de calcul et de mémoire, ce qui les rend difficiles à déployer sur des équipements embarqués avec des ressources de calcul limitées. Ces réseaux profonds sont caractérisés par des millions voire des milliards de paramètres et sont presque exclusivement entraînés en utilisant une ou plusieurs cartes graphique (GPU) très rapides et gourmandes en énergie.
Dans ce projet, nous proposons d’aborder la problématique de compression et d’apprentissage des DNNs, en utilisant les décompositions tensorielles. Les tenseurs ont rec cu une attention particulière dans ce sens en raison de leur capacité de représenter à la fois des données hétégorènes et volumineuses. Dans ce cas, les données peuvent être organisées selon un tableau à D dimensions, aussi appelé tenseur d’ordre D. L’utilisation des tenseurs présente plusieurs avantages par rapport aux matrices, comme l’unicité, c’est-à-dire la garantie d’identifiabilité des paramètres récupérés, ou encore la disponibilité d’outils puissants pour effectuer des décompositions de tenseurs.
De ce fait, les décompositions tensorielles sont des outils puissants de l’algèbre multilinéaire, qui sont utilisés dans une grande variété d’applications, notamment pour la compression et l’apprentissage des réseaux de neurones.

Sujet :
Compression des matrices de poids et des noyaux tensoriels:
Des études récentes montrent que les matrices de poids des DNNs sont souvent redondantes, et en restreignant leur rangs, il est possible de réduire considérablement le nombre de paramètres sans baisse significative de performance. Cette observation reste valable pour les noyaux des couches de convolution. Le but de cette thèse est de trouver des approximations tensorielles de rang faible permettant une réduction du nombre de paramètres. Ces paramètres peuvent êtres soient les noyaux de convolution; qui sont naturellement modélisés par des tenseurs d’ordre 4; ou des matrices de poids pour les couches entièrement connectées; que nous proposons de convertir sous format tensoriel. Dans cette thèse, d’abord d’un point de vue fondamental, différents modèles tensoriels et algorithmes seront étudiés pour la modélisation et la compression des tenseurs de poids. Des représentations compactes peuvent être obtenues en recourant à des modèles basés sur des représentations classiques, du type décomposition canonique polyadique (CPD), ou sur les réseaux de tenseurs (RTs), en particulier des modèles de trains de tenseurs (TT) et des modèles Tucker hiérarchiques (TH). Le principe des RTs est de transformer des tenseurs d’ordre élevé en un ensemble de tenseurs de petites dimensions et d’ordre au plus égale à $3$. L’intérêt de cette approche est de faire la “super”-compression des tenseurs de poids en utilisant des approximations de rang faible, avec la possibilité de faire du calcul parallèle. Une propriété intéressante des réseaux de tenseurs est leur capacité à effectuer efficacement des opérations, du type produit matriciel, produit de Hadamard ou produit scalaire, sous le format tensoriel. Plusieurs opérations sont développées dans le cas des trains de tenseurs, par exemple la somme ou le produit entre deux matrices sous format TT. Une fois une couche; de convolution ou entièrement connectée; est remplacée par sa décomposition, l’objectif serait d’adapter les opérations importantes de type convolution, produit matrice-matrice ou matrice-vecteur, au format des décompositions adoptées. Cela permettera de: (i) accélérer le temps d’inférence des DNNs, et (ii) adapter l’algorithme d’apprentissage aux poids tensoriels, pour faire des éventuels ajustements des paramètres.

Modélisation et apprentissage des réseaux de neurones:
Ce deuxième axe de recherche propose d’aller plus loin que la modélisation et la compression des poids. Un lien entre les décompositions tensorielles et la modélisation générale des réseaux de neurones sera étudié. Dans cette partie, le but est de formuler le problème d’apprentissage des DNNs comme un problème de factorisation tensorielle. Ce lien a été investigué par des travaux séminaux récents. Certains travaux sont axés sur la mise en relation des décompositions tensorielles avec les réseaux de neurones avec des unités de produit (au lieu d’unités de sommation). Dans d’autres, l’apprentissage d’un réseau de neurones à une seule couche avec des fonctions d’activation “fléxibles” (FAFs) a été formulé comme un problème de décomposition contraint d’un tenseur CPD. Dans ce dernier travail, la décomposition a permis de compresser des réseaux pré-entrainés en estimant conjointement les poids et les nouvelles fonctions d’activations, dites fléxibles. Dans cette thèse, des questions sur la modélisation des NNs seront addressées.
Le but est de modéliser les couches des DNNs, et de proposer des nouvelles méthodes d’apprentissage, basées sur les factorisations tensorielles.

Application à la surveillance automatique basée sur des modèles profonds dans des drones:
Du point de vue des applications, un exemple important est donné par les drones de surveillance automatique utilisant les DNNs. Ces drones représentent une solution de supervision, selon un déploiement alliant homme et machine pour sécuriser automatiquement des grands espaces. Le défi étant de réduire le nombre de paramètres des réseaux pour une implémentation dans des architectures avec des ressources de calcul limitées. Pratiquement, cette réduction du nombre de paramètres signifie des réseaux plus compacts avec une empreinte mémoire réduite, ce qui peut être important pour les architectures avec une RAM ou une mémoire de stockage limitée. A titre d’exemple, le réseau VGG-19 dispose à peu près de 138 millions de paramètres. Il est donc crucial de développer de nouvelles méthodes pour pallier ce déluge du nombre de paramètres. De plus, l’augmentation du nombre de paramètres induit des temps d’execution élevés, ainsi qu’une consommation d’énergie plus importante. Ce sont des grands défis qui restent ouverts quand les modèles profonds sont déployés sur des équipements embarqués tels que des drones. Il est donc nécessaire de gérer efficacement ce problème, et de développer de nouvelles stratégies adaptées aux systèmes embarqués.
Ce sujet de thèse a un lien étroit avec les travaux, en collaboration avec la DGA, réalisés dans notre équipe.
On cite le projet DGA RAPID Manta, porté par Nadège THIRION-MOREAU, où nous nous intéressons à développer un drone intelligent permettant d’éviter automatiquement des obstacles sur la mer. De plus, le projet ANR ASTRID ROV-Chasseur, porté par Thanh Phuong NGUYEN, s’intéresse à la détection et la reconnaissance des objets spécifiques sous-marins (poissons et mines). En effet, ce projet de thèse est la continuité de ces travaux, en considérant également des applications potentielles en surveillance maritime, un domaine d’application clé dans les activités de recherche de l’équipe SIIM. Dans le cadre de ce projet, nous proposons de déployer les modèles profonds efficaces sur les équipements embarqués tels que drones, engin sous-marin télécommandé, ROV (Remotely operated underwater vehicle) pour les applications en surveillance maritime.

Profil du candidat :
Le candidat doit être un ressortissant de l’UE, du Royaume Uni ou de la Suisse.

Formation et compétences requises :
Pour candidater, veuillez envoyer votre CV, relevés de notes avec qualifications et informations pertinentes, avant le 8 avril 2022, à Yassine Zniyed (zniyed@univ-tln.fr) et Thanh Phuong NGUYEN (tpnguyen@univ-tln.fr)

Adresse d’emploi :
Laboratoire d’informatique et systèmes (LIS) UMR 7020
Université de Toulon. Campus de La Garde – Bt X
83041 TOULON

Document attaché : 202203021441_Sujet_AID_version_courte.pdf

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

Laboratoire/Entreprise : Sorbonne Universite – Institut des Systèmes intell
Durée : 36 mois
Contact : patrick.gallinari@sorbonne-universite.fr
Date limite de publication : 2022-09-30

Contexte :
Deep Learning is beginning to be explored for scientific computing in domains traditionally dominated by physics models (first principles) like earth science, climate science, biological science, etc. It is particularly promising in problems involving processes that are not completely understood, or computationally too complex to solve by running the physics inspired model. The direct use of pure machine learning approaches has however met limited successes for scientific computing. Hence, researchers from different communities have started to explore (i) how to integrate physics knowledge and data, and (ii) how to push the limits of current ML methods and theory; two challenging directions.

Sujet :
The global objective of the thesis is the development of new models leveraging observation or simulation data for the modeling of complex spatio-temporal dynamics characterizing physical phenomena such as those underlying earth-science and climate observations. The classical modeling tools for such dynamics in physics and applied mathematics rely on partial differential equations (PDE). Despite their successes in different areas, current ML based approaches are notably insufficient for such problems. Using ML for physics raises new challenging problems and requires rethinking fundamental ML ideas.

Three main research directions will be explored:

– Hybrid systems – Integrating Physics and Deep Learning. In many situations, there is available some prior physical knowledge provided by PDEs for characterizing the underlying phenomenon. A key issue is then how to combine this prior knowledge with information extracted from the data.

– Domain generalization for deep learning as dynamical models. Explicit physical models come with guarantees and can be used in any context (also called domain or environment) where the model is valid. This is not the case for DNNs, and we have no guarantee that they can be extrapolated to new physical environments.

– Learning at Multiple Scales. Modeling dynamical physical processes often requires considering multiple spatio-temporal scales. For example in climate, global phenomena are influenced by dynamics operating at a smaller scale. Similar problems occur e.g. in computational fluid dynamics. Learning at different scales is an open issue in ML.

Motivating problems and applications will come from climate science.

Profil du candidat :
Computer science or applied mathematics, Good technical skills in programming.

Formation et compétences requises :
Master in computer science or applied mathematics, Engineering school. Background and experience in machine learning. Good technical skills in programming.

Adresse d’emploi :
Sorbonne Université (S.U.), Pierre et Marie Campus in the center of Paris. The candidate will integrate the Machine Learning and Deep Learning for Information Accesss team at S.U. at the ISIR lab. (Institut des Systèmes Intelligents et de Robotique).

Document attaché : 202203010947_2022-PhD-Description-ML-Physics.pdf

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

Laboratoire/Entreprise : LAMSADE
Durée : 3 ans
Contact : kbelhajj@googlemail.com
Date limite de publication : 2022-04-30

Contexte :
Le monde des services financiers est depuis longtemps l’un des précurseurs de l’innovation digitale à travers l’informatisation de ses processus, de ses outils et de ses services. La période récente voit l’émergence de nombre de nouvelles technologies faisant évoluer les pratiques, et notamment la technologie Blockchain qui a le potentiel de totalement remodeler les services financiers dans le monde de la banque de financement et d’investissment (par exemple activités d’émissions sur les marchés, de financements, de gestion et de couverture des risques).

Sujet :
Dans ce contexte, BNP Paribas CIB en collaboration avec l’Université Paris-Dauphine explore les opportunités et impacts de la tokenization liés à la technologie Blockchain. Une certaine expertise a étét déjà aquise basée sur des développements concrets, en prenant en compte les aspects technologiques, légaux et réglementaires. Il reste cependant un grand champ d’incertitudes liées à cette technologie, et notamment l’interopérabilité entre les différents protocoles. A ce stade, il est clair que la consolidation technologique n’a pas eu lieu, et n’aura probablement pas lieu avant plusieurs années, et dans certains domaines seulement. Par exemple, la tokenization de « cash » (via les acteurs centraux par exemple) et la tokenization de titres financiers seront probablement sur ces bases technologiques différentes. De la même manière, la gestion d’espaces publics (e.g. Ethereum) et d’espaces privés sera instrumentale dans la capacité à gérer la valeur financière dans ce nouveau monde.

Les travaux s’orienteront donc majoritairement sur l’interopérabilité technologique, que ce soit via les divers langages de smart contrats, des techniques de cryptographie, la gestion d’« incentives » d’un écosystème, les tokenomics etc. afin d’assurer l’unicité digitale d’un univers à l’autre de manière sécurisée et irréfutable

Les orientations données à la thèse pourront être choisies au prisme des intérêts de recherche et de leur caractère scientifiquement novateur, des appétences du candidat, via une discussion avec l’encadrant CIFRE et le directeur de thèse.

Profil du candidat :
Vous êtes diplômé(e) d’un bac+5 et souhaitez vous orienter vers un doctorat en Sciences de l’Informatique.
Vous avez également des appétences pour les nouvelles technologies et les leviers digitaux. Vous parlez couramment français et anglais et vous maîtrisez un langage de développement type Java. Des connaissances sur les bases de la cryptographie, les technologies Blockchain (layer 1 et/ou 2) ainsi que les langages de smart contrats les plus communs (e.g. Solidity pour Ethereum/Polygon, SmartPy pour Tezos, DAML, Hyperledger Fabric…), les technologies d’interopérabilités type Cosmos ou Polkadot sont un plus.

Formation et compétences requises :
Votre adaptabilité et votre capacité à collaborer sont des atouts essentiels. Ajoutez à cela votre capacité à communiquer, votre capacité de synthèse ainsi que votre rigueur pour finir de nous convaincre.

Enfin, nous attachons une importance particulière à ce que nos futurs collaborateurs agissent au quotidien avec responsabilité éthique et professionnelle.

Dans un monde qui change, la diversité, l’équité et l’inclusion sont des valeurs clés pour le bien-être et la performance des équipes. Chez BNP Paribas, nous souhaitons accueillir et retenir tous les talents sans distinction : c’est ainsi que nous construirons, ensemble, la finance de demain, innovante, responsable et durable.
À tout moment pendant le processus de recrutement, les informations figurant sur votre CV et vos données d’identification pourront être vérifiées par un prestataire extérieur mandaté par BNP Paribas.

Indications complémentaires en vue du recrutement
Date de recrutement : à partir de septembre 2022
Rémunération: compétitive à l’échelle d’un consultant BNP.
Financement : bourse de thèse CIFRE BNP Paribas CIB
Environnement, une équipe BNP bien affirmée en matière de recherche et développement qui compte une dizaine de doctorants Cifre.
Laboratoire académique : LAMSADE, Université Paris Dauphine – PSL

Adresse d’emploi :
LAMSADE, Université Paris Dauphinen, Paris, et
BNP, Paris

Les personnes intéressées sont invitées à envoyer leur CV, relevés des trois années dernières (et de cette année si applicable), ainsi que la lettre de motivation à Daniela Grigori (daniela.grigori@lamsade.dauphine.fr) et Khalid Belhajjame (kbelhajj@gmail.com)

Document attaché : 202202270954_AnnonceTheseCifre-Dauphine-BNP.pdf