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

Laboratoire/Entreprise : Inria Nancy & Lille
Durée : 36 mois
Contact : emmanuel.vincent@inria.fr
Date limite de publication : 2023-07-02

Contexte :
This PhD is part of the “Personal data protection” project of PEPR Cybersécurité, which aims to advance privacy preservation technology for various application sectors. It will be co-supervised by Emmanuel Vincent and Marc Tommasi. The PhD student will have the opportunity to spend time in both the Multispeech and Magnet teams, to collaborate with 9 other research teams in France and with the French data protection authority CNIL, and to contribute to the project’s overall goals including the organization of an anonymization challenge.

Sujet :
Large-scale collection, storage, and processing of speech data poses severe privacy threats [1]. Indeed, speech encapsulates a wealth of personal data (e.g., age and gender, ethnic origin, personality traits, health and socio-economic status, etc.) which can be linked to the speaker’s identity via metadata or via automatic speaker recognition. Speech data may also be used for voice spoofing using voice cloning software. With firm backing by privacy legislations such as the European general data protection regulation (GDPR), several initiatives are emerging to develop and evaluate privacy preservation solutions for speech technology. These include voice anonymization methods [2] which aim to conceal the speaker’s voice identity without degrading the utility for downstream tasks, and speaker re-identification attacks [3] which aim to assess the resulting privacy guarantees, e.g., in the scope of the VoicePrivacy challenge series [4].

The first objective of this PhD is to improve the privacy-utility tradeoff by better disentangling speaker identity from other attributes, and better decorrelating the underlying dimensions. Solutions may rely on suitable generative or self-supervised models [5, 6] or on adversarial learning [7]. The resulting privacy guarantees will be evaluated via stronger attackers, e.g., taking metadata into account.

The second objective is to extend the proposed audio-only approach to multimodal speech (audio, facial video, and gestures). Solutions will exploit existing facial anonymization technology [8]. A key difficulty will be to preserve the correlations between modalities, which are essential for training multimodal voice processing systems.

Depending on the PhD student’s skills, additional directions may also be explored, e.g., evaluating the proposed anonymization solutions in the context of federated learning.

[1] A. Nautsch, A. Jimenez, A. Treiber, J. Kolberg, C. Jasserand, E. Kindt, H. Delgado, M. Todisco, M. A. Hmani, M. A. Mtibaa, A. Abdelraheem, A. Abad, F. Teixeira, M. Gomez-Barrero, D. Petrovska, N. Chollet, G. Evans, T. Schneider, J.-F. Bonastre, B. Raj, I. Trancoso, and C. Busch, “Preserving privacy in speaker and speech characterisation,” Computer Speech and Language, vol. 58, pp. 441–480, 2019.

[2] B. M. L. Srivastava, M. Maouche, M. Sahidullah, E. Vincent, A. Bellet, M. Tommasi, N. Tomashenko, X. Wang, and J. Yamagishi, “Privacy and utility of x-vector based speaker anonymization,” IEEE/ACM Transactions on Audio, Speech, and Language Processing, to appear.

[3] B. M. L. Srivastava, N. Vauquier, M. Sahidullah, A. Bellet, M. Tommasi, and E. Vincent, “Evaluating voice conversion-based privacy protection against informed attackers,” in 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 2802–2806, 2020.

[4] N. Tomashenko, X. Wang, E. Vincent, J. Patino, B. M. L. Srivastava, P.-G. Noé, A. Nautsch, N. Evans, J. Yamagishi, B. O’Brien, A. Chanclu, J.-F. Bonastre, M. Todisco, and M. Maouche, “The VoicePrivacy 2020 Challenge: Results and findings,” Computer Speech and Language, vol. 74, pp. 101362, 2022.

[5] L. Girin, S. Leglaive, X. Bie, J. Diard, T. Hueber, and X. Alameda-Pineda, “Dynamical variational autoencoders: A comprehensive review,” Now Foundations and Trends, 2021.

[6] A. Baevski, H. Zhou, A. Mohamed, and M. Auli, “wav2vec 2.0: A framework for self-supervised learning of speech representations,” in Advances in Neural Information Processing Systems, pp. 12449–12460, 2020.

[7] B. M. L. Srivastava, A. Bellet, M. Tommasi, and E. Vincent, “Privacy-preserving adversarial representation learning in ASR: Reality or illusion?” in Interspeech, pp. 3700–3704, 2019.

[8] T. Ma, D. Li, W. Wang, and J. Dong, “CFA-Net: Controllable face anonymization network with identity representation manipulation,” arXiv preprint arXiv:2105.11137, 2021.

Profil du candidat :
MSc in computer science, machine learning, or signal processing.

Formation et compétences requises :
Strong programming skills in Python/Pytorch.
Prior experience in speech and video processing will be an asset.

Apply online at: https://jobs.inria.fr/public/classic/fr/offres/2023-06410

Adresse d’emploi :
615 Rue du Jardin-Botanique, 54600 Villers-lès-Nancy

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

Laboratoire/Entreprise : Sorbonne Universite – ISIR – Institut des Systèmes
Durée : 36 mois
Contact : patrick.gallinari@sorbonne-universite.fr
Date limite de publication : 2023-12-15

Contexte :
Physics-aware deep learning is an emerging research field aiming at investigating the potential of AI methods to advance scientific research for the modeling of complex natural phenomena. This research topic investigates how to leverage prior knowledge of first principles (physics) together with the ability of machine learning at extracting information from data. This is a fast-growing field with the potential to boost scientific progress and to change the way we develop research in a whole range of scientific domains. An area where this idea raises high hopes is the modeling of complex dynamics characterizing natural phenomena occurring in domains as diverse as climate science, earth science, biology, fluid dynamics, etc.

Sujet :
The objective of the PhD project is the development of Physics-aware deep learning methods for the modeling of complex spatio-temporal dynamics. The direct application of state-of-the-art deep learning (DL) methods for modeling and solving physical dynamics occurring in nature is limited by the complexity of the underlying phenomena, the need for large amounts of data and their inability to learn physically consistent laws. This has motivated the recent exploration of physics-aware methods incorporating prior physical knowledge. Although promising and rapidly developing, this research field faces several challenges. For this PhD project we will address two main challenges, namely the construction of hybrid models for integrating physics with DL and generalization issues which condition the usability of DL for physics.

— Integrating DL and physics for spatio-temporal dynamics forecasting and solving PDEs

In physics and many related fields, partial differential equations (PDEs) are the main tool for modeling and characterizing the dynamics underlying complex phenomena. Combining PDE models with ML is a natural idea when building physics-aware DL models and it is one of the key challenges in the field. This has been explored for two main directions: (i) augmenting low resolution solvers with ML in order to reach the accuracy of high-fidelity models at a reduced computational cost, and (ii) complementing incomplete physical models with ML by integrating observation data through machine learning. A first direction of the PhD will then be to investigate hybrid physics-DL models using the recently proposed framework of neural operators. The latter opens the possibility of combining and learning multiple spatio-temporal scales within a unified formalism, a challenge in DL.

— Domain generalization for deep learning based 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. These models reflect explicit causality relations between the different variables involved in the model. This is not the case for DL: statistical models learn correlations from sample observations, their validity is usually limited to the context of the training domain. This is a critical issue for the adoption of ML for modeling the physical world. In relation with the construction of hybrid models as described above, one will investigate this issue along two main directions. The first one is a purely data-based approach and exploits ideas from learning from multiple environments through task decomposition. The second one, takes a dual perspective, relying on prior physical knowledge of the system equations and directly targets the problem of solving parametric PDEs, exploiting ideas from meta-learning.

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

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

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

Document attaché : 202306130923_2023-04-PhD-Description-Physics-Aware-Deep-Learning.pdf

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

Laboratoire/Entreprise : Ecole navale (EA3634)
Durée : 36 mois (+12)
Contact : cyril.ray@ecole-navale.fr
Date limite de publication : 2023-06-30

Contexte :
L’École navale recherche une/un doctorant(e) en informatique / science des données. En complément de ses travaux de recherche, elle/il interviendra dans les domaines de formation des élèves officiers ingénieurs et des étudiants de masters de l’Ecole navale.

Titulaire d’un master (ou équivalent) en informatique, la personne recrutée devra s’investir dans les activités d’enseignement et au sein du laboratoire dans des travaux de recherche liés au traitement de l’information maritime, à l’intelligence artificielle et plus généralement aux sciences des données. La thèse s’effectuera au sein de l’équipe de recherche MoTIM dans l’objectif de contribuer au domaine du Traitement de l’Information Maritime issue de sources hétérogènes (données capteurs, signaux, images, vidéos, informations géographiques, données textuelles) à l’aide d’algorithme d’intelligence artificielle.

Sujet :
La génération de données et de jeux données pseudo-synthétiques est utilisée pour un large éventail d’activités, notamment comme données de test pour de nouveaux outils ou algorithmes, pour la validation de modèles et dans la formation de modèles d’IA. Plus récemment la génération de données synthétiques créées artificiellement plutôt que générées par des événements réels a pris un essor avec l’apparition de modèles génératifs. Les données synthétiques constituent un type d’augmentation de données pour lequel les « Generative Adversarial Nets (GAN) » ont montré des performances prometteuses sur divers types de données. Dans le domaine maritime, le suivi et l’analyse des mobilités a été accéléré avec l’apparition du Système Automatiquement d’Identification (AIS) qui permet la localisation des navires équipés en temps-réel et à travers tous les océans. Les données produites sont des séries spatio-temporelles impactées par des données manquantes, des problèmes d’intégrité issues des capteurs et/ou de la transmission, et des malversations de natures diverses telles que la falsification de localisation, de trajectoire ou encore d’identité. Dans ce contexte, l’objectif de cette thèse est d’aborder la génération de données synthétiques et l’annotation sémantique de cette donnée. Les travaux de thèse pourront s’articuler notamment au travers des objectifs suivants :

– Développer un modèle génératif pour les données de mobilités maritimes permettant de produire des jeux de données
– Évaluer la prise en compte de données hétérogènes complémentaires ; eg. État de la mer.
– Aborder la scénarisation / annotation des jeux de données et évaluer l’utilité et l’impact de techniques « classiques » d’imputation de données pour aborder la variabilité de scénarios conçus.
– Considérer le problème de classification et de détection de nouveauté en simultanée, notamment pour la prise en compte de données falsifiées.
– Évaluer les performances / généricité de la démarche en fonction de la localisation géographique des données produites.

Profil du candidat :
Diplôme : Master (ou équivalent) en informatique.

Intérêt pour l’enseignement.
Intérêt pour un travail de recherche sur les problématiques maritimes et navales.
Compétences techniques en traitement de l’information.
Bonnes capacités de rédaction scientifique.
Bonnes capacités relationnelles et humaines

Formation et compétences requises :
Compétences : bonne connaissance des outils et des modèles de base de l’Intelligence Artificielle (apprentissage automatique / profond, etc.) et des techniques de représentation et de traitement de données (géographiques) hétérogènes (corrélation de données, analyse de séries temporelles, imputation de données, etc.)

Adresse d’emploi :
Institut de recherche de l’école navale
Lanvéoc-Poulmic / Brest

Document attaché : 202306121519_FDP_2023_DFS_DDR_E5033_AER_IA.pdf

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

Laboratoire/Entreprise : LIFAT
Durée : 3 ans
Contact : nizar.messai@univ-tours.fr
Date limite de publication : 2023-06-15

Contexte :
La thèse est proposée dans le cadre du projet région Centre Val de Loire SQVALD pour l’accompagnement de patients dans la coordination des parcours de soins de support en Oncologie en exploitant le contexte technologique du patient et des structures de soins et de soins de support.

Sujet :
La problématique scientifique de ce travail se situe dans le cadre global de l’intégration sémantique contextuelle et centrée utilisateur de données et d’applications à travers les architectures orientées services dans le contexte de l’Internet des Objets (IoT, pour Internet of Things) et de l’Internet des Objets Médicaux (IoMT, pour Internet of Medical Things). Elle se décompose en trois parties : la première consiste à partir des architectures orientées services et de leurs standards de mise en œuvre, services Web et Mashup, pour proposer une solution centrée utilisateur capable de répondre à l’hétérogénéité et volatilité des données issues des différentes sources d’intérêt allant des plateforme de e-santé aux objets connectés dans le contexte de l’utilisateur et des structures de soins et qui respecte les standards des architectures du type one Machine to Machine (oneM2M) .

Cela suppose en particulier de s’appuyer sur des mesures de similarités adaptées pour proposer les services et données les plus pertinents. Ceci qui nous amène à la deuxième partie qui consiste à définir des mesures de similarité entre services, données, objets et profils utilisateurs en (i) exploitant les données offertes sous forme de graphes de connaissances du Linked Open Data (LOD) et (ii) en appliquant des algorithmes d’IA (symbolique ou non) sur des données textuelles (avis médicaux, retours d’utilisateurs, etc.)

Une fois un parcours personnalisé proposé, la troisième partie consiste à accompagner l’utilisateur dans sa réalisation en définissant les métriques adéquates de l’évaluation continue de l’impact du parcours sur l’utilisateur et aux éventuels ajustements de ces parcours.

Profil du candidat :
Étudiants en Master 2 d’Informatique ou élèves-ingénieurs en dernière année (BAC+5) intéressés par la gestion des données et d’applications dans le cadre du Web sémantique et disposant de bonnes compétences en développement Web/Mobile (Java Android) et d’une initiation à la recherche (relecture et synthèse d’articles scientifiques). La connaissance du domaine de la santé est un plus.

Formation et compétences requises :
Étudiants en Master 2 d’Informatique ou élèves-ingénieurs en dernière année (BAC+5)

Adresse d’emploi :
Campus Grandmont – Faculté des Sciences et Techniques
2 Avenue Monge
37200 Tours

Document attaché : 202306081149_Thèse-SQVALD-LIFAT LOD-IA-IoT-Santé.pdf

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

Laboratoire/Entreprise : LIFAT / RFAI, Université de Tours, France
Durée : 3 years
Contact : nicolas.ragot@univ-tours.fr
Date limite de publication : 2023-06-30

Contexte :
More details here: http://www.rfai.lifat.univ-tours.fr/phd-position-continual-life-long-learning-for-time-series-prediction-in-environmental-sciences/

The JUNON project, driven by the BRGM, is granted from the Centre-Val de Loire region through ARD program (« Ambition Recherche Développement »). The main goal of JUNON is to elaborate digital services through large scale digital twins in order to improve the monitoring, understanding and prediction of environmental resources evolution and phenomena, for a better management of natural resources. Digital twins will allow to virtually reproduce natural processes and phenomena using combination of AI and environmental tools.
JUNON will focus on the elaboration of digital twins concerning quality and quantity of ground waters, as well as emissions of greenhouse gases and pollutants with health effects, at the scale of geographical area corresponding to the North part of the Centre-Val-de-Loire region. These digital twins will rely on geological and meteorological knowledge and data (time series), as well as physic-based models.
The project actors are: BRGM, Université d’Orléans, Université de Tours, CNRS, INRAE, and ATOS and ANTEA companies.

Sujet :
The PhD position will be in the WP4 of Junon, focused on the prediction of quantity of ground waters and/or prediction of ground/air pollutants. Postdocs at the BRGM and LIFAT will have in charge respectively to collect and arrange data (ground waters levels at different locations) and to benchmark predictions with mechanistic models as well as with classical prediction AI tools integrating several sources of information like:
– meteorological data
– spatial information, i.e. geolocalization of sensors and locations of predictions to be made; topological information such as altitude
– integration of knowledge from mechanistic models as well as from expert knowledge (impact of attributes and variables used)
– etc.

The goal of the PhD will be, relying on these data and protocols, to work on new learning algorithms to allow these AI models to learn continuously giving new observed data as a stream. The scientific locks are clearly related to continual learning for Deep Learning prediction models and especially to deal with:
– few shot learning in DL
– drift and anomaly detection,
– plasticity/stability dilemma
– adapting such algorithms to suggested models by postdoc, based on Transformers or Spatio-Temporal Graph Neural networks using heterogeneous data.

Profil du candidat :
Student having a master degree in computer sciences with experiences in deep learning.

To apply, send the following documents by e-mail to nicolas.ragot [at] univ-tours.fr before 20th of June: a CV, a motivation letter, a short description of your experiences in machine/deep learning, references from academics.

Formation et compétences requises :
Master or Engineering degree or equivalent in computer sciences (Machine learning, data sciences) or applied mathematics

– a good experience in data analysis and machine learning (theory and practice of deep learning in python) is required
– experiences/knowledge in time series prediction and environmental science is welcome
– curiosity and ability to communicate (in English at least) and work in collaboration with scientists from other fields
– autonomy and good organization skills

Adresse d’emploi :
The RFAI group (Pattern Recognition and Image Analysis) is part of the LIFAT (EA 6300) computer science lab.
64 avenue Jean Portalis
37200 Tours , FRANCE

Document attaché : 202306051525_Thèse Junon apprentissage continu.pdf

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

Laboratoire/Entreprise : Inria Lyon / AIstroSight
Durée : 36 mois
Contact : thomas.guyet@inria.fr
Date limite de publication : 2023-07-07

Contexte :
A funded PhD position is available in the AIstroSight team, INRIA, Lyon, France (https://team.inria.fr/aistrosight/), starting in November 2023. Our interdisciplinary team aims at developing innovative numerical methods for the search of new drug candidates to treat brain diseases, targeting neurons as well as glial cells. We value diversity, trust, growth, equity and creativity.

Sujet :
The goal of this PhD project is to develop a data-driven partial differential equation (PDE) discovery method for complex dynamical systems such as brain cells. The algorithm will be evaluated on its ability to robustly and accurately learn cell function at the macroscopic scale from data simulated at the nanoscopic level.

Profil du candidat :
We are looking for a student with a Master degree who has experience in at least one of the following areas: data science/machine learning/mathematical modeling as well as an interest in cell biology/neuroscience. Proficiency in written and oral English is required. No knowledge of French is needed. Most importantly, we are looking for future colleagues who are eager to learn and grow, and who are driven by scientific curiosity.

Formation et compétences requises :
We are looking for a student with a Master degree who has experience in at least one of the following areas: data science/machine learning/mathematical modeling as well as an interest in cell biology/neuroscience. Proficiency in written and oral English is required. No knowledge of French is needed. Most importantly, we are looking for future colleagues who are eager to learn and grow, and who are driven by scientific curiosity.

Adresse d’emploi :
Inria Lyon, Campus de la Doua et/ou HCL

Document attaché : 202306041943_PDE_Discovery_AIstroSight_2023.pdf