Archives

CFP – AAAI 2025 Workshop on Preparing Good Data for Generative AI: Challenges and Approaches (GoodData)

Date : 2025-03-03 => 2025-03-04
Lieu : AAAI-2025 – Philadelphia, Pennsylvania, USA

CFP – AAAI 2025 Workshop on Preparing Good Data for Generative AI: Challenges and Approaches (GoodData)

For details, please see the webpage: https://sites.google.com/servicenow.com/good-data-2025/

Foundation models highly depend on the data they are trained on. Although self-supervised learning is one of their promises, it is clear that the carefully processed datasets lead to better models. While datasets and models are frequently released by the community, the data preparation recipes are relatively nascent and not fully open. In this workshop, we invite contributions and collaborations in data preparation recipes for creating and using foundation models and generative AI applications, including (but not limited to) pre-training, alignment, fine tuning, and in-context learning. Data preparation spans data acquisition, cleaning, processing, mixtures, quality assessments, value of data, ablation studies, safety, and governance. This workshop emphasizes the responsible usage and ethical considerations of data preparation (including human annotations), to address the issues of diversity, bias, transparency, and privacy.

Important Dates

Workshop paper submission deadline: 15 November 2024, 11:59 pm Pacific Time.

Notification to authors: 9 December 2024.

Date of workshop: 3 or 4 March 2025.

Topics

We encourage submissions under one of these topics of interest, but we also welcome other interesting and relevant research for preparing good data.

  • Data acquisition, cleaning, processing, and mixture recipes
  • Data quality assessment and quantifying the value of data
  • Data sequence for multi-phase and curriculum learning
  • Model-based data improvement techniques
  • Ablation study strategies to understand the interplay between data and model
  • Data safety and governance
  • Responsible and ethical considerations of data collection and human annotation
  • Diversity, bias, transparency, and privacy of data
  • Theoretical modeling and analysis of data-related aspects in generative AI
  • Large-scale data processing (intersection between systems and algorithms)
  • Data value

We accept submissions of a maximum of 4 pages (excluding references and appendix). Papers will be peer-reviewed under a double-blind policy. Accepted papers will be presented at the poster session, some as oral presentations, and one paper will be awarded as the best paper.

OpenReview Submission Link

Please submit your paper via the following link: https://openreview.net/group?id=AAAI.org/2025/Workshop/GoodData

Submission Guidelines

We accept submissions of a maximum of 4 pages (excluding references and appendix).
We accept only original works not published before at any archival venue with proceedings.
The submitted manuscript should follow the AAAI 2025 paper template.
Submissions will be rejected without review if they:
Contain more than 4 pages (excluding references and appendix).
Violate the double-blind policy.
Violate the dual-submission policy for papers.
The accepted papers will be publicly accessible on OpenReview, but the workshop is non-archival and does not have formal proceedings.
Papers will be peer-reviewed under a double-blind policy and must be submitted online through the OpenReview submission system.

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Professeur·e assistant·e ou associé·e, domaine de l’Informatique scientifique

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

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

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

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

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

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

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

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

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

Profil du candidat :

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

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

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

MCF contractuel en informatique

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

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

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

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

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

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

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

Ingénieur logiciel débutant F/H – Développement d’une application pour la communication R&D

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

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

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

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

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

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

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

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

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

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

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

Les missions du poste seront les suivantes :

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

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

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

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

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

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

Vous savez travailler en autonomie ?

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

Vous avez une bonne capacité de rédaction en français ?

Adresse d’emploi :
PERL à Lacq (64300)

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

PhD Position in Explainable Artificial Intelligence for Predictive Maintenance

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

Laboratoire/Entreprise : ETIS
Durée : 3 ans
Contact : aikaterini.tzompanaki@cyu.fr
Date limite de publication : 2024-11-21

Contexte :
We are excited to announce an opening for a highly motivated PhD student to join our dynamic research team DATA&AI (ex MIDI team) at the ETIS laboratory of the CY Cergy Paris University and the ENSEA school of engineering. The successful candidate will focus on developing explainable AI methods for predictive maintenance within digital twin systems and smart spaces.
The PhD position is funded by the prestigious EU Horizon PANDORA project, A Comprehensive Framework enabling the Delivery of Trustworthy Datasets for Efficient AIoT Operation, gathering 20 academic and industrial partners and thus providing a unique opportunity to contribute to cutting-edge research with significant real-world impact.

Online description: https://perso.etis-lab.fr/tzompanaki/proposal.html

Sujet :
Predictive maintenance 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 (Pashami, Sepideh, et al. “Explainable predictive maintenance.” arXiv preprint arXiv:2306.05120 (2023)). Typically such predictive tasks are based on Artificial Intelligence and/or statistical analysis techniques, which may be complex to interpret.
In this project we aim to aid the different stakeholders make more insightful decisions about the forecasted failures by providing context-aware explanations for the RUL and FT prognostic tasks. In this way, we will enhance the reliability and transparency of predictive maintenance models in industrial scenarios by leveraging continuous data streams, state-of-the-art AI techniques and innovative causal and actionable explainability methods.

How to Apply
Please submit your application as a single pdf to aikaterini.tzompanaki@cyu.fr and Vassilis.Christophides@ensea.fr with the subject line “PhD Application: Explainable AI for Predictive Maintenance in Digital Twins.”

Profil du candidat :
A Master’s degree (or equivalent) in Computer Science, or Applied Mathematics.
Strong background in at least one of the following fields: machine learning, data management, statistics.
Proficiency in programming languages such as Python, and/or R.
Excellent analytical skills with a focus on problem-solving.
Strong communication skills and the ability to work collaboratively in a team environment.
Ability to work autonomously and proactively.
Proficiency in English, both written and spoken.

Formation et compétences requises :
A Master’s degree (or equivalent) in Computer Science, or Applied Mathematics.
Strong background in at least one of the following fields: machine learning, data management, statistics.
Proficiency in programming languages such as Python, and/or R.

Adresse d’emploi :
CY Cergy Paris University – ENSEA – ETIS laboratory
33 boulevard du Port
95011 Cergy-Pontoise cedex

Document attaché : 202409210100_Pandora_thesis_announcement.pdf

Postdoc position at Météo-France (CNRM) in Artificial Intelligence for Numerical Weather Prediction

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

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

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

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

Profil du candidat :

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

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

POST-DOCTORAT : Data Scientist pour projet de recherche sur la détection des troubles neurovisuels en conduite automobile

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

45th IEEE International Conference on Distributed Computing Systems (IEEE ICDCS 2025)

Date : 2025-07-20 => 2025-07-23
Lieu : Glasgow, Scotland, UK

SCOPE

The 45th IEEE International Conference on Distributed Computing Systems (IEEE ICDCS 2025) is the premier international forum for researchers and practitioners to present, discuss and exchange cutting edge ideas as well as the latest findings on topics related to all aspects of distributed computing systems. The conference will be held over July 20-23rd, 2025 in Glasgow, Scotland, UK. We invite you to submit original contributions to IEEE ICDCS 2025 (https://icdcs2025.icdcs.org/)

Papers can be submitted to one of the following tracks:

* Cloud Computing
* Distributed Algorithms
* Big Data, Models & Systems
* Distributed Fault Tolerance
* Distributed OS and Middleware
* Edge Computing
* IoT + CPS
* Mobile Computing
* Security, Privacy and Trust
* Blockchains/Databases
* Distributed Systems for AI/ML
* AI/ML for Distributed Systems
* Deployed/Emergent Applications & Infrastructures

PAPER SUBMISSION

The Paper strand provides the opportunity for researchers to present their new state-of-the-art research in Distributed Computing Systems, which makes, or has the potential to make, a significant contribution to the field.
Papers must be original and unpublished and must not be submitted concurrently for publication elsewhere. All paper submissions should follow the IEEE 8.5” x 11” two-column format using 10pt fonts and the IEEE Conference template (downloadable by selecting “Conferences” in the IEEE-Template Selector https://template-selector.ieee.org/).
Each submission can have up to eleven (11) pages (including figures, tables, appendices, and references).
Papers exceeding this page limit or with smaller fonts will be desk-rejected without review.

The paper review process is double-blind. Authors are required to take all reasonable steps to preserve the anonymity of their submission.
The submission must not include author information and must not include citations or discussion of related work that would make the authorship apparent. While authors can upload their paper to institutional or other preprint repositories such as arXiv.org before reviewing is complete, we generally discourage this since it places anonymity at risk.
If authors decide to upload their paper to a preprint site, they must make sure that the title and abstract of their submission to
ICDCS are different from the title and abstract of the preprint version, so that it is not immediately
obvious that the two versions are by the same authors and with the same content.
To encourage reproducibility, we encourage the authors, whenever it is possible, to include in their paper a link to an anonymised GitHub repository with all source code, scripts and data needed for the reproduction of their results.

For each accepted paper, at least one author is required to pay a full author registration and attend the conference in-person to present their work on-site. Any no-show papers will be reported to the publisher and removed from the conference proceedings. For authors with multiple papers accepted by the conference, a separate author registration is required for each paper. The authors should adhere to ethic and professional standards of IEEE. Please refer to IEEE Code of Ethics and IEEE Policy of AI-Generated Text.

Note: A set of highly selected IEEE ICDCS 2025 papers will be considered for publication in the IEEE Transactions on Parallel and Distributed Systems (TPDS). The selected papers will undergo an extension process, transforming them from their initial IEEE ICDCS conference format. These extended versions will then be subject to a review by an editor from IEEE TPDS.

*** Paper Deadline Dates – Time zone: Anywhere on Earth (AoE) ***
*Paper submission website: https://easychair.org/conferences/?conf=icdcs2025
*Paper Abstract Registration: 4 December 2024
*Paper Submission Due: 11 December 2024
*Author Notification: 2 April 2025
*Camera-Ready Submission: 16 April 2025

For inquiries regarding the Call for Papers, email: icdcs2025-FPTracks@easychair.org

*General Chairs
Christos Anagnostopoulos, University of Glasgow, UK
Iadh Ounis, University of Glasgow, UK

*Program Chairs
Songqing Chen, George Mason University, USA
Neeraj Suri, Lancaster University, UK

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

XAI to satisfy safety requirements of B5G V2X infrastructure

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

Laboratoire/Entreprise : CERI SN
Durée : 36 mois
Contact : jerry.lonlac@imt-nord-europe.fr
Date limite de publication : 2024-10-31

Contexte :
Public establishment belonging to IMT (Institut Mines-Télécom), placed under the supervision of the Ministry of Industry, IMT Nord Europe has three main objectives: providing our students with ethically responsible engineering practice enabling them to solve 21st century issues, carrying out our R&D activities leading to
outstanding innovations and supporting territorial development through innovation and entrepreneurship.
Ideally positioned at the heart of Europe, 1 hour away from Paris, 30 min from Brussels and 1h30 from London, IMT Nord Europe has strong ambitions to become a main actor of the current industrial transitions, digital and environmental, by combining education and research on engineering and digital technologies. Located on two main campuses dedicated to research and education in Douai and Lille, IMT Nord Europe offers research facilities of almost 20,000m² in the following areas:
– Digital science,
– Processes for industry and services,
– Energy and Environment,
– Materials and Processes.
For more details, visit the School’s website: www.imt-nord-europe.fr

The position is vacant within the Centre for Education, Research and Innovation (CERI) Digital Systems. It covers a wide disciplinary field linked to constrained systems (the Internet of Objects, robotics), Humans (and in particular their interactions with the digital world) or even complex systems through the prism of Artificial Intelligence and Automation. The 34 lecturer-researchers and 6 engineers at CERI are able to cover all teaching fields in the field of digital sciences and technologies (Data, Artificial Intelligence, Telecoms, Networks, Systems, Applications, Cybersecurity, etc.). It is structured around 3 research groups: ARTS (Autonomous Resilient Systems), HIDE (Human, Interaction, DEcision) and McLEOD (Modelling and Control of Complex
systems in Large Environments requiring Optimized Decision).

Sujet :
The thesis will be carried out within the framework of the ANR “TRAVEL” project, which aims to propose an eXplainable Artificial Intelligence (XAI) framework to explain the logic behind the black-box model behaviors trained on data related to vehicular communications (V2X) and allowing to improve the communication
network infrastructure at various levels (PHY, SDN, and NFV), thus ensuring a safe and efficient deployment. The ICT infrastructure is becoming increasingly complex and interdependent due to rapid virtualization, softwarization, data massification, and cloudification. With the widespread deployment of wireless networks, intelligent and automated network operation is becoming increasingly essential, deserving tremendous research effort. AI holds significant potential for application in the network field (AI for IT operations), promising improvements in operational efficiency, Quality of Service (QoS), and Quality of Experience (QoE), along with reductions in operational costs and complexity [1]. Achieving network self-maintenance and self-healing capabilities is also a major concern. This entails effectively integrating cross-layer anomaly detection, root cause analysis, explainability, and response into a closed-control loop, guided by the output of root cause analysis and predefined policies to restore system performance. This necessity for intelligent network operation coincides with the ongoing evolution of cellular technologies, notably the progression from 5G to what is anticipated as 6G.

Despite the excellent performance of AI models on enormous tasks in V2X Infrastructure, when their decisions cannot be well-interpreted, it is difficult to trust them. In recent years, the proliferation of AI applications in network communications and cybersecurity with the requirements of the European Commission for algorithms to provide explanations to users has reinforced the necessity of employing XAI in this field. Indeed, the advent of 5G specifically carries the ambition of a very wide coverage, including outside cities. Combined with paradigms such as Software Defined Networking (SDN) and Network Function Virtualization (NFV), 5G is
expected to enable faster access and high scalability of both devices, services, applications and data, and thus eventually establish itself as the mobile communication system for all applications in the smart city, including V2X communications [2]. The thesis‘s works will be applied on the 5G Core Network (5G-CN) and its interfaces with the 5G-RAN. It aims to develop XAI approaches to network slicing automation at the interface between
the 5G-CN and the 5G-RAN [3] to allow a deployment of AI-assisted sliced networks in V2X infrastructure in a way that satisfies safety constraints. Indeed, V2X infrastructure is a critical domain which involves human lives, and in which any flaw may have dramatic consequences. Therefore, any malfunction must be anticipated, and anyhow completely auditable [4]. To achieve this goal, this thesis will develop XAI methods that rely on the theory in the domain of V2X infrastructure for providing better explanations. That will be made both during data collection and feature engineering phases. In fact, a scientific theory represents a well-founded and widely accepted statement, hypothesis, or explanation that has withstood rigorous testing and scrutiny [5].
We will also explore local interpretability techniques to explain local inference of AI models regarding V2X infrastructure safety requirement parameters by providing alternative or counterfactual scenarios for the explained scenarios. Those techniques will help us for each scenario to explain, find its most similar scenario measured by a chosen distance metric, but that has an opposite AI inference.

Profil du candidat :
The objectives of this thesis are:
● Explore the current state-of-the-art XAI approaches in the field of V2X infrastructure.
● Develop XAI schemes based on existing theory in the field of V2X infrastructure
● Integrate V2X infrastructure and application safety requirements into the XAI architecture.

Formation et compétences requises :
● M.Sc. degree (or equivalent) in Computer science or related discipline,
● Strong background in Artificial Intelligence/Machine Learning with, if possible, experience in eXplainable Artificial Intelligence
● Experience in the field of communication networks would be an undeniable advantage
● Good programming skills (Python, Java, C++),
● Good written and communication skills in English.
● Ability to organize and manage priorities in order to meet deadlines

Adresse d’emploi :
Cité scientifique
Rue Guglielmo Marconi,
59650 Villeneuve-d’Ascq
Lille, France

Document attaché : 202409160950_These_ANR_Travel_XAI for satisfy safety requirements-Final.pdf