Archives

Post-doc in Deep Anomaly Detection in Time Series

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

Laboratoire/Entreprise : LITIS Lab, Rouen Normandie
Durée : 18 months
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2026-01-31

Contexte :

Sujet :
Anomaly detection is a challenge in itself. The capacity to detect anomalies is a major ingredient of safe and trustworthy AI systems across major application areas. Anomaly detection is unsupervised by nature, since abnormal events are rare, varied, and cumbersome to collect. Conventional methods can be roughly grouped into three interconnected categories: discriminative decision boundaries using one-class classification, reconstruction models that test any new sample by measuring its reconstruction error on a manifold or with prototypes, and probabilistic models based on density or level-set estimation. The major deep anomaly detection methods fall within these categories, redefined in a latent space generated by deep representation learning, such as deep one-class, autoencoders, generative adversarial networks, and self-supervised learning [1, 2].

The challenge is higher for anomaly detection in time series (i.e., temporal data), and it is even harder when it comes to online detection, namely in the context of streaming data [3, 4, 5]. When dealing with time series, temporal continuity is central to defining the “normality”, and thus to identifying and detecting anomalies. Time series may have specific characteristics such as seasonality, periodicity/cycles, trend, concept drift, recurrent concept drift, cyclostationarity, and non-stationarity, as well as modalities at multiple temporal scales.

This post-doc fellowship aims to provide novel advances in anomaly detection in time series, mainly focusing on the even harder online detection, namely in the context of streaming data. For this purpose, the post-doc fellow will address one of the two online detection formalisms, which arise depending on whether the anomaly is short-term or persistent:
– Point anomaly detection, namely, in an online setting, one seeks to detect whether each new sample is an anomaly. Anomalies may not be restricted to isolated samples, but may also form a group or sequence of points (often called collective anomalies).
– Change point detection (also referred to as concept drift), namely, in an online setting, one seeks to identify, as early as possible, whether the recent samples have deviated significantly from the historical ones.

This post-doc fellowship is an integral part of the global project ODD (Online Deep anomaly Detection). Led by the LITIS Lab, the ODD project brings together 4 PhD students and several permanent researchers from the Machine Learning group of the LITIS Lab. This project tackles a wide spectrum of signal scenarios to demonstrate the versatility of the proposed methods. The post-doc fellow will have the possibility to tackle signals in environmental science (including a startup collaboration), signals in industrial processes (including industrial and international collaborations), and medical signals/images (including a novel startup collaboration).

[1] Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., … & Müller, K. R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756-795.
[2] Pang, G., Shen, C., Cao, L., & Hengel, A. V. D. (2021). Deep learning for anomaly detection: A review. ACM computing surveys (CSUR), 54(2), 1-38.
[3] Boniol, P., Liu, Q., Huang, M., Palpanas, T., & Paparrizos, J. (2024). Dive into time-series anomaly detection: A decade review. arXiv preprint arXiv:2412.20512.
[4] Jia, X., Xun, P., Peng, W., Zhao, B., Li, H., & Shen, C. (2025). Deep anomaly detection for time series: A survey. Computer Science Review, 58, 100787.
[5] Zamanzadeh Darban, Z., Webb, G. I., Pan, S., Aggarwal, C., & Salehi, M. (2024). Deep learning for time series anomaly detection: A survey. ACM Computing Surveys, 57(1), 1-42.

Profil du candidat :
Requirements:

PhD in applied mathematics, machine learning, advanced statistics, computer science or related.
Strong background in advanced optimization and machine learning.
Proficiency in Python.
If interested, please send CV in a motivational email to paul.honeine@univ-rouen.fr, maxime.berar@univ-rouen.fr and fannia.pacheco@univ-rouen.fr

Formation et compétences requises :

Adresse d’emploi :
Rouen, Normandie

postdoctoral research fellow

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

Laboratoire/Entreprise : IRISA
Durée : 12-18 months
Contact : zoltan.miklos@irisa.fr
Date limite de publication : 2026-01-31

Contexte :
Innovation project, in collaboration between University of Rennes / IRISA and the companies Obsam and Kereval

Sujet :
Libre, as long as it is linked to the objectives to the project (see document attached)

keywords: RAGs, ontologies, LLMs

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Lannion (priority) or Rennes

Document attaché : 202512201125_Postdoc offer PrediObso_v2.pdf

Dynamic Inference in CNNs via Mixture of Experts and Early Exits

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

Laboratoire/Entreprise : LIRIS
Durée : 5-6 mois
Contact : stefan.duffner@insa-lyon.fr
Date limite de publication : 2026-02-28

Contexte :
The deployment of deep neural networks on edge devices such as smartphones or embedded systems poses significant challenges in terms of computational cost, energy consumption, and latency. Traditional models process all inputs with the same fixed architecture, regardless of their complexity, leading to inefficient use of resources. For instance, a clear image of a cat is processed with the same depth and width as a noisy, ambiguous scene, despite requiring far less computation.
To address this, recent research has explored dynamic neural networks, which adapt their computation based on input content. Two prominent strategies include:
• Mixture of Experts (MoE): activating only a subset of network parameters (e.g., specific convolutional branches) per input, enabling width adaptation.
• Early Exits: allowing simpler inputs to exit the network at intermediate layers, reducing inference depth.
While these approaches have been studied independently—MoE primarily in Transformers and early exits in CNNs—their combination remains underexplored, especially in convolutional architectures. Jointly leveraging both mechanisms could enable dual adaptation in width and depth, significantly improving efficiency without sacrificing accuracy.
This internship aims to design, implement, and evaluate a dynamic CNN architecture that integrates Mixture of Experts blocks with confidence-based early exits, enabling input-adaptive inference for vision tasks such as image classification. The work will contribute to the growing field of efficient and sustainable AI, with potential applications in mobile vision and real-time systems.

Sujet :
The main goal is to design and validate a hybrid dynamic CNN that couples conditional activation (Mixture-of-Experts) with adaptive depth (early-exit). To reach this goal, the intern will first carry out a bibliographic survey on dynamic inference, covering MoE in CNNs, early-exit networks such as BranchyNet, and recent attempts at joint width-and-depth adaptation; key training difficulties—load balancing, confidence estimation, stability—will be identified. Next, a full architecture will be proposed: convolutional MoE blocks whose top-k gating network selects the most relevant experts for each input, and auxiliary classifiers inserted at several depths that can terminate inference as soon as a confidence threshold is exceeded; a single decision rule will be learnt that decides, at every stage, whether to route or to exit. The model will then be implemented in PyTorch on standard backbones (ResNet or VGG variants) and trained on CIFAR-10/100 or Tiny-ImageNet; knowledge distillation and load-balancing losses will be used to stabilise MoE training, while a cost-aware term will encourage both sparse expert selection and early termination. Finally, the system will be evaluated in terms of accuracy, average inference depth, FLOPs and latency and compared against strong baselines (standard CNN, BranchyNet, MoE-CNN without exits); a detailed analysis will correlate input difficulty with the chosen experts and the actual exit layer. If time permits, the intern will explore ultra-lightweight gating for on-device deployment and validate the approach on a mobile-oriented use-case.

Profil du candidat :
Required technical skills:
• Python, PyTorch
• Deep learning (CNNs, optimization)
• Familiarity with vision datasets and evaluation metrics
• (Preferred) Experience with model compression or dynamic networks

Formation et compétences requises :
M2 in computer science or applied mathematics

Adresse d’emploi :
INSA Lyon, Campus de la Doua, Villeurbanne

Document attaché : 202512181058_dynamic_cnn_internship.pdf

Extraction et traitement de données spatio-temporelles hydrologiques et météorologiques pour le machine learning

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

Laboratoire/Entreprise : LIFO
Durée : 3-4 mois
Contact : etienne.lehembre@unicaen.fr
Date limite de publication : 2026-02-28

Contexte :
Le stage se déroule dans le cadre du projet Junon au sein du LIFO (Laboratoire d’Informatique Fondamentale d’Orléans) avec le BRGM (Bureau de Recherches Géologiques et Minières). Le projet Junon a pour but de mettre en place des modèles de Machine Learning afin de prédire le niveau d’eau futur de la nappe phréatique de la Beauce. Pour entraîner ces modèles, le BRGM a fourni au projet 12 séries temporelles correspondant à 12 historiques des mesures d’eau de piézomètre (puits servant à mesurer le niveau de la nappe phréatique).

Sujet :
Afin de pouvoir complexifier les modèles, il est nécessaire d’obtenir davantage de données. Seulement, les séries temporelles des piézomètres sont souvent incomplète, car les relevés journaliers ne sont pas toujours possibles. Ainsi, le stage a pour but d’extraire les séries temporelles d’autres piézomètres, de compléter ces séries temporelles en essayant différents algorithmes d’interpolation, et de compléter ces données avec des données météorologiques issues de SAFRAN.

Profil du candidat :
Ce stage s’adresse aux étudiants en BUT3, M1 ou équivalent. Une expertise en Python (avec les librairies Pandas ou NumPy) est indispensable.

Formation et compétences requises :
Ce stage s’adresse aux étudiants en BUT3, M1 ou équivalent. Une expertise en Python (avec les librairies Pandas ou NumPy) est indispensable.

Adresse d’emploi :
LIFO, 6 Rue Léonard de Vinci, 45067 Orléans

Document attaché : 202512181055_offre-stage-Junon-Data-mining.pdf

Développement d’un module radiomique prédictif de la pneumopathie radio-induite après radiothérapie pulmonaire (Projet RP radiomics)

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

Laboratoire/Entreprise : CRESTIC (URCA) / Institut Godinot (Reims)
Durée : 6 mois
Contact : Arnaud.BEDDOK@reims.unicancer.fr
Date limite de publication : 2026-04-30

Contexte :
Cf. Fiche

Sujet :
Développement d’un module radiomique prédictif de la pneumopathie radio-induite après radiothérapie pulmonaire (Projet RP radiomics)

Cf. fiche.

Profil du candidat :
Cf. fiche.

Formation et compétences requises :
Cf. fiche.

Adresse d’emploi :
CRESTIC (URCA) / Institut Godinot (Reims)

Document attaché : 202512180752_Offre de stage M2 20250926.pdf

3 thèses à pourvoir en IA et télédétection (Vannes, France et Ispra, Italie)

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

Laboratoire/Entreprise : IRISA Vannes (équipe OBELIX) et European Commissio
Durée : 36 mois
Contact : sebastien.lefevre@irisa.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Nous proposons trois thèses dans le domaine de la vision par ordinateur appliquée à l’observation de la terre avec des applications en soutien aux politiques européennes. Elles seront conduites au sein de l’équipe OBELIX de l’IRISA à Vannes (Bretagne), en partenariat avec le Centre de Recherche Commun de la Commission Européenne (Ispra, Italie), et le soutien du cluster IA SequoIA. Les thèses se dérouleront en Italie pour 2026 et 2027, et en France pour 2028, 2029.

1) Global multi-task learning for mapping and characterizing human settlements from EO data (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2588)

2) Backcasting anthropogenic infrastructures over a century of historical EO data and maps (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2591)

3) Explainable multimodal AI using geospatial data for rapid estimation of displacement and people in need in crises (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2592)

Attention, des contraintes de nationalité sont imposées pour les trois sujets (plus de détails dans les descriptifs des sujets).

Date limite pour candidature: 15 janvier 2026 pour un démarrage à partir d’avril 2026.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Ispra, Italie en 2026 et 2027
Vannes, France en 208 et 2029

Recrutement d’un MdC en IA et cybersécurité à Télécom Paris

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

Laboratoire/Entreprise : Télécom Paris – LTCI
Durée : CDI
Contact : sebastien.canard@telecom-paris.fr
Date limite de publication : 2026-04-30

Contexte :
Télécom Paris, centre international pluridisciplinaire de formation, recherche et innovation, est une référence dans le monde du numérique.
Dans un contexte fortement d’actualité, où l’essor simultané de l’intelligence artificielle (IA) et de la cybersécurité transforme profondément les systèmes numériques et crée un besoin croissant d’expertise à leur interface. L’IA est aujourd’hui à la fois un outil, une cible, une menace, et un levier de protection.
C’est pourquoi le département Informatique et Réseaux (INFRES) et plus particulièrement l’équipe Cybersécurité et Cryptographie (C2) a besoin de se renforcer grâce au recrutement d’un ou une maître.sse de conférence en IA et cybersécurité, capable de travailler dans ce domaine avec les nombreuses équipes de l’École telles que Systèmes embarqués critiques autonomes (ACES), Données, Intelligence et Graphes (DIG) à INFRES ou également Statistique, Signal et Apprentissage (S2A) à IDS, mais aussi avec d’autres équipes de l’Institut Polytechnique de Paris à l’École Polytechnique ou à Télécom SudParis. Ce recrutement vise à renforcer la formation et la recherche sur ces enjeux émergents, en intégrant des compétences transversales allant des techniques d’apprentissage automatique à la sécurité des systèmes et des données.

Sujet :
Les expertises attendues couvrent un spectre large mais cohérent situé au cœur des interactions entre intelligence artificielle et cybersécurité :
– la compréhension et la modélisation des attaques exploitant l’IA (techniques d’apprentissage génératif : phishing avancé, reconnaissance de vulnérabilités, génération de trafic ou de charges malveillantes)
– la conception et l’évaluation de méthodes d’IA pour la détection d’intrusions, l’analyse comportementale, la corrélation d’événements massifs, la détection d’anomalies, la classification de malwares, le traitement de flux distribués (edge computing, apprentissage fédéré)
– la sécurité intrinsèque de l’IA, notamment la robustesse des modèles (défense contre-attaques adversariales, résistance aux manipulations et aux corruptions de données), la protection des données utilisées pour l’entraînement ou l’inférence (confidentialité, anonymisation, préservation de la vie privée, techniques cryptographiques ou fédérées), la traçabilité et la confiance dans les modèles (certification, explicabilité, auditabilité), ainsi que la sécurité des chaînes d’apprentissage et des environnements d’exécution.

Profil du candidat :
Vos missions seront donc celles-ci :
– Recherche : les candidats et candidates pourront se positionner sur une ou plusieurs de ces dimensions, et une attention particulière sera portée à la capacité à articuler l’IA et la cybersécurité, avec des contributions théoriques, méthodologiques ou expérimentales permettant d’éclairer et de renforcer la sûreté, la robustesse et la résilience des systèmes numériques contemporains. Le poste s’adresse à la fois à des chercheurs et chercheuses en IA disposant d’une forte appétence pour la cybersécurité, et à des profils présentant une double compétence IA–cybersécurité, capables de contribuer au développement de travaux académiques de haut niveau dans ce domaine en pleine structuration.
– Enseignement : la future personne pourrait être amenée à intervenir dans les enseignements fondamentaux (algorithmique, structures de données, probabilités, statistiques, optimisation, programmation, réseaux, systèmes) qui constituent la base indispensable à la maîtrise des approches modernes en IA et en sécurité numérique. Parallèlement, l’ouverture récente d’un parcours dédié à l’IA et à la cybersécurité crée un besoin important d’expertise pédagogique sur l’apprentissage automatique, sécurité des réseaux et des systèmes, détection d’intrusions, sécurité et robustesse des modèles, protection des données, cryptographie appliquée, etc. Le ou la candidat·e recruté·e aura ainsi un rôle structurant dans la coordination et l’articulation des enseignements du domaine, en participant à la conception de nouveaux modules, en veillant à l’intégration harmonieuse des compétences IA et cybersécurité dans les cursus.
– Animation et participation à la notoriété de l’école et de l’institut Polytechnique de Paris : la personne participera à des séminaires, soutenances, etc, et développera des relations étroites avec les institutions académiques, les centres de recherche et les entreprises.

Formation et compétences requises :
Pour réussir dans ce rôle, vous devrez également disposer d’un doctorat et maîtriser l’anglais.

Adresse d’emploi :
Pour candidater : https://institutminestelecom.recruitee.com/o/enseignante-chercheuse-ou-enseignant-chercheur-en-ia-et-cybersecurite

Télécom Paris
19 place Marguerite Perey
91120 Palaiseau

Prochain webinaire SaD-2HN

Date : 2025-12-19
Lieu : En ligne

Bonjour à toutes et à tous,

(Avec toutes nos excuses en cas de réceptions multiples)

L’action de recherche SaD-2HN (Des Sources aux Données Historiques en Humanités numériques) du GDR CNRS MADICS propose un lieu d’échange pour l’ensemble des chercheur.e.s qui travaillent sur la nature complexe des données historiques (données temporelles incertaines, incomplètes, évolutives), leur lien avec les sources et leur analyse approfondie pour étudier le passé.

Nous avons le plaisir de vous annoncer la première partie d’un webinaire dédié à la discussion autour de travaux en lien avec ces thématiques. Ce cycle de présentations porte sur les données du Web et les SHS computationnelles. La deuxième séance se tiendra donc le vendredi 19 décembre, de 12h30 à 13h30, avec l’intervention suivante:

Les archives du Web. De la recherche à l’enseignement à la recherche. Comment faire émerger un nouvel objet d’enseignement ? par Benjamin Thierry – Sorbonne Université, UMR SIRICE, Initiative IRHIST (Renouveler l’Histoire des Sciences et des Techniques)

Le programme complet du webinaire et les résumés des interventions sont disponibles sur le site Web de l’action de recherche : https://sadhn-madics.github.io/webinaire-sad-2hn

Vous pourrez vous connecter au webinaire avec le lien suivant : https://marsha.education/my-contents/classroom/debc78e9-5977-4a03-8798-36a65a2f0acb/invite/MgiORiV3SHCv_mXckxYwHabV77F-t0SRaW-P9rH6LwY

Nous espérons vous retrouver nombreuses et nombreux pour cette présentation et les échanges qui suivront.

Bien à vous,

Nathalie Hernandez (IRIT, Université Toulouse Jean Jaures, UT2J)
Nathalie Abadie (LaSTIG, Université Gustave Eiffel, ENSG, IGN)
Bertrand Duménieu (CRH, École des Hautes Études en Sciences Sociales)
Sébastien Poublanc (FRAMESPA, Université Toulouse Jean Jaures, UT2J)

Lien direct

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

Deep Learning Models for Analysis of Satellite Images and Prediction of Natural Disaster Impacts

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

Laboratoire/Entreprise : LIMOS
Durée : 5 mois
Contact : julien.ah-pine@sigma-clermont.fr
Date limite de publication : 2026-02-28

Contexte :
The internship is part of the DLISCES project (Deep Learning Images Satellites et Cartographie d’Indicateurs Économiques et Sociaux), supported by the International Research Center “Natural Disasters and Sustainable Development” (CIR4) of the ISite CAP 2025 in Clermont-Ferrand. The project falls under the “AI for Good” domain and conducts exploratory research aimed at providing maps of various indicators to more robustly assess the vulnerability of populations and territories exposed to climatic hazards (floods, landslides, cyclones, earthquakes, etc.). DLISCES is an interdisciplinary project involving researchers in artificial intelligence, economics, management, and mathematics. The selected candidate will join the LIMOS (Laboratoire d’Informatique, de Modélisation et d’Optimisation des Systèmes) and work closely with AI researchers and economists from CERDI (Centre d’études et de recherches sur le développement international). He or she will focus on leveraging state-of-the-art deep learning models and satellite images to evaluate the impact of natural disasters.

Sujet :
This internship aims to develop and apply deep learning (DL) models and resources for satellite images analysis in the goal of predicting natural disaster impacts. On one hand, the EM-DAT database contains data on the occurrence and impacts of over 27,000 mass disasters worldwide from 1900 to the present day. On the other hand, computer vision techniques utilizing DL enable efficient analysis of Earth Observation data acquired through
remote sensing technologies.

The goal of the internship is twofold :
1. Collect satellite images related to natural disaster events recorded in the EM-DAT database with geolocation provided by Geo-Disasters, from open-access platforms such as Copernicus and Google Earth Engine (GEE).
2. Study, apply, and fine-tune pre-trained DL models (foundation models for Earth Observation) to represent remote sensing information, aiming to predict natural disaster impacts as recorded in the EM-DAT database.

Particular attention will be paid to floods and the related dataset FLODIS, based on EM-DAT. This internship provides a valuable opportunity to work on impactful projects in the field of natural disaster risk management while gaining practical experience in deep learning and satellite image analysis. The opportunity to continue this work with a PhD project is currently under review.

Profil du candidat :
Current master student or recent graduate in Computer Science, AI, Data Science, Computer Vision, or in Social Science with a strong background in Data Science.
Experience using deep learning models in computer vision.
High Interest in inter-disciplinary research works.
Attention to details and rigor in handling large datasets and in programming.
Strong communication skills and ability to work in a team.
Knowledge of satellite imagery and geospatial data would be a plus.

Formation et compétences requises :

Adresse d’emploi :
LIMOS, Aubières (Clermont-Ferrand)

Document attaché : 202512151511_Offre de Stage DLISCES – 2526.pdf

Extraction et analyse de transactions issues d’une blockchain locale

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

Laboratoire/Entreprise : Institut UTINAM, UMR 6213 CNRS / UMLP
Durée : 4 à 5 mois
Contact : jose.lages@univ-fcomte.fr
Date limite de publication : 2026-02-28

Contexte :

Sujet :
Depuis toujours, les échanges de ressources, de biens et de services structurent les sociétés humaines, révélant inégalités, hiérarchies et formes d’organisation collective. À l’ère numérique, de nouvelles formes de valeur émergent, portées notamment par les technologies blockchain, qui renouvellent nos conceptions de l’échange, de la souveraineté économique et de la territorialité. Ces systèmes d’échange peuvent être étudiés comme des systèmes complexes, caractérisés par des topologies non triviales, l’émergence de comportements collectifs, ainsi que des dynamiques de coopération et de compétition. Les transactions numériques sont enregistrées dans une blockchain, un registre distribué reposant sur des mécanismes cryptographiques assurant l’intégrité et la traçabilité des échanges. L’extraction de ces données permet de reconstruire le réseau d’échanges entre acteurs et d’en analyser la structure. Dans ce projet, nous nous intéressons à un cas d’étude spécifique : la monnaie complémentaire citoyenne PIVE (Jura) et sa version numérique. Le ou la stagiaire aura pour mission, dans un premier temps, d’extraire les données issues de la blockchain associée, puis d’utiliser des outils issus de la physique statistique et de la théorie des graphes afin de caractériser le graphe de transactions sous-jacent. L’objectif est notamment d’identifier des structures centrales ou périphériques, ainsi que d’éventuelles zones de faible connectivité, afin d’apporter des éléments d’analyse sur la santé macroéconomique et territoriale du réseau PIVE. Le ou la stagiaire travaillera au sein de l’équipe de physique théorique de l’Institut UTINAM, UMR 6213 CNRS / Univ. Marie et Louis Pasteur (Besançon) et collaborera avec une équipe de recherche en économie du CRESE, Univ. Marie et Louis Pasteur.

Profil du candidat :
Environnement technique
– Programmation en Python
– Packages recommandés : PySpark, pandas, NumPy, NetworkX

Profil recherché
• Étudiant·e en Master 2 (physique ou informatique), intéressé·e par la data science. Bon niveau en programmation Python
• Des connaissances en blockchain et cryptomonnaies constituent un plus, mais ne sont pas indispensables

Formation et compétences requises :
Étudiant·e en Master 2 (physique ou informatique)

Adresse d’emploi :
Institut UTINAM, UMR 6213 CNRS / Univ. Marie et Louis Pasteur (Besançon)