Archives

Deep Learning Meets Numerical Modelling AI and Biophysics for Computational Cardiology

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

Laboratoire/Entreprise : Epione research team, Inria Sophia Antipolis – Mé
Durée : 36 mois
Contact : maxime.sermesant@inria.fr
Date limite de publication : 2023-12-15

Contexte :
Clinical Context

Cardiac Arrhythmias are a major healthcare issue. For instance, atrial fibrillation (AF) is the most common cardiac arrhythmia, characterized by chaotic electrical activation of the atria, preventing synchronized contraction. More than 6 million Europeans suffer from it and age is the most powerful predictor of risk. Life-threatening complications and fast progression to persistent or permanent forms call for as early as possible diagnosis and effective treatment. Arrhythmias are often treated with anti-arrhythmic drugs, with limited efficacy and safety. Catheter ablation, an invasive procedure, is more effective. This procedure is by no means optimized, however, and arrhythmias may reoccur. The efficacy of first-time ablation may range from 30%-75% depending on the individual patient and disease, such that multiple ablation procedures may be recommended.

Deep learning context

AI and more precisely machine learning have obtained impressive results in several domains like vision, natural language processing, bioinformatics. However, this data intensive paradigm leads to model that often lack interpretability and robustness. Also, it does not allow an easy integration of prior knowledge available in many scientific fields. This can explain its difficult adoption in domains like healthcare. On the other hand, biophysical modelling of the human body is a well-posed mathematical framework to introduce physiology into predictive analysis of clinical data. Moreover, it provides a natural mechanistic framework to interpret results. However, there is often a large computational cost, even more when the quantification of uncertainty has to be performed. And it is sometimes difficult to circumvent model approximations. A major scientific challenge today consists in combining the versatility of data intensive approaches with the physically grounded modelling approaches developed in scientific fields like biophysics.

Sujet :

The scientific objective of this project is to combine the advantages of biophysics and machine learning, more specifically deep learning methods, and to develop hybrid models exploiting the complementarity of the two approaches. We propose to introduce physiological priors in learning systems through biophysical modelling by learning spatiotemporal dynamics from simulations and by introducing physically motivated constraints relative to these dynamics. The objective is to exploit optimally the large amounts of data available in this field together with well-known properties of biophysical cardiac dynamics. Besides, this would also enable us to propose a data-driven correction of biophysical model error. Finally, we will seek a principled integration of uncertainty quantification within this framework. This will encompass both uncertainty on the training data and in the prediction. The vast amount of knowledge in mathematical analysis and data assimilation will be leveraged to optimise the machine learning formulation and understanding.
This project will be done in collaboration with cardiologists and radiologists to access clinical databases in order to evaluate the proposed methods on diagnosis, therapy planning and prognosis for cardiac pathologies.

Profil du candidat :
Master in computer science or applied mathematics, Engineering school. Background and experience in machine learning. Good technical skills in programming. Eager to work in the medical field.

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

Adresse d’emploi :
Epione Research Project

Inria, Sophia Antipolis

2004 route des Lucioles BP 93

06 902 SOPHIA ANTIPOLIS Cedex

FRANCE

Document attaché : 202301120851_2023 – PhD_DeepNum-Cardiac-Electrophysiology.pdf

Conception et implémentation d’un lac de données de robotique agricole

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

Laboratoire/Entreprise : INRAE – Unité TSCF, équipe ROMEA
Durée : 6 mois
Contact : sandro.bimonte@inrae.fr
Date limite de publication : 2023-12-15

Contexte :
Pour accompagner la transition agroécologique, les robots ont un rôle essentiel à jouer dans le domaine de l’agriculture intelligente. Ils sont capables d’effectuer des opérations agricoles répétitives et précises sur une longue période avec un faible impact sur l’environnement.

Avec des équipements particuliers, et associés à des technologies d’acquisition et de traitement de données, les robots sont capables d’effectuer de manière autonome des tâches ciblées de manière efficace dans les champs.

De nombreux travaux de recherche portent sur l’agriculture intelligente. Dans le cadre du projet ISITE CAP2025, une architecture Big Data a été conçue pour le traitement des données temps réel issues des robots et des capteurs (avec Apache Kafka et Spark), ainsi qu’une base de données relationnelle pour stocker ces données.

Dans ce travail de stage, nous visons à mettre en place un lac de données (data lake) pour le stockage et l’exploration des données sources.

Sujet :
En particulier le travail consiste à :

étudier et comparer les travaux existants sur les lac de données données spatiales : stockage et exploration

implémenter le système de stockage des données (ex. Apache Hadoop HDFS ou PostGIS)

concevoir un modèle de métadonnées et implémenter un système de métadonnées

implémenter un système d’exploration des données (ex. Apache Atlas, Open Metadata, Geonetwork, etc.)

Profil du candidat :
Master 2 en informatique ou équivalent

Formation et compétences requises :
Architectures big data
Gestion de données

Adresse d’emploi :
INRAE, Campus des Cézeaux, Aubière

Document attaché : 202301111441_M2 datalake.pdf

Ingénieur(e) conception, consolidation et prototypage – jumeaux numériques

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

Laboratoire/Entreprise : LASTIG
Durée : 3 ans (CDI très prob
Contact : clement.mallet@ign.fr
Date limite de publication : 2023-12-15

Contexte :
L’Unité Mixte de Recherche (UMR) LASTIG, sous la tutelle de l’IGN et de l’Université Gustave Eiffel, mène des recherches variées en sciences de l’information géographique pour la ville durable et les territoires
numériques. Il comporte plus de 60 membres, permanents et contractuels. Le LASTIG est confronté à des problématiques de recherche fondamentale et opérationnelle sur les sujets suivants :
— l’acquisition et le traitement de données massives et multimodales (équipe ACTE) ;
— la géovisualisation, l’interaction et l’immersion (équipe GEOVIS) ;
— la médiation et l’enrichissement de données géographiques (équipe MEIG) ;
— l’analyse de la dynamique spatio-temporelle des territoires (équipe STRUDEL).

Le Service Innovation Maturation Valorisation de l’IGN a pour but d’accompagner le transfert technologique entre recherche et production et entre l’IGN et ses partenaires. Les missions du service sont :
— l’animation de l’innovation au sein de l’IGN et aussi à destination des partenaires,
— la montée en maturité des codes de recherche vers les souches de production,
— la validation de méthodes, d’algorithmes et de technologies dans l’objectif d’aider à l’amélioration des souches de production,
— le maintien des plateformes d’innovation et leurs relations avec les plateformes de recherche (amont) et de développement (aval),
— la veille technologique et méthodologique

La constitution d’un Jumeau Numérique National (JNN) est un projet ambitieux de l’IGN qui vise entre autres la cartographie précise en 3D de l’ensemble du territoire français pour de multiples usages : développement durable, gestion énergétique, urbanisme, sécurité, smart city, gestion des réseaux enterrés, tourisme… Cette cartographie 3D s’appuiera sur l’intégration de données d’acquisition multicapteur (image/LiDAR) et multiplateforme (aérien/terrestre fixe et mobile), de données topographiques et de données thématiques multi-sources, multi-dimensionnelles et multi-échelles (pays, région, département, ville, quartier, rue, bâtiment). Il met en jeu des problématiques de recalage, de reconstruction de maillages et d’objets structurés, de texturation et de sémantisation, par des approches automatiques ou semi-automatiques interactives, de détection de changement et de mise à jour, tout en visant un passage à l’échelle sur des données de plus en plus massives et de plus en plus précises.

Sujet :
L’ENSG souhaite recruter un·e ingénieur·e dont l’objectif principal sera de développer des méthodes et des outils sur ces problématiques de cartographie 3D à large échelle, en se reposant sur des travaux du LASTIG en recalage, en reconstruction automatique ou semi-automatique (interactive) de modèles de ville 3D+T (c’est à dire incluant les problématiques de détection de changements et de mise à
jour), en structuration pour leur diffusion dans une visualisation interactive. Il s’agira ainsi de participer au développement d’outils et de faciliter la consolidation et le prototypage de méthodes produites par des membres du laboratoire LASTIG pour répondre à des besoins exprimés par l’IGN, ses tutelles, ses partenaires, ainsi que les collaborateurs du LASTIG.

Les missions principales de la personne recrutée seront de :
— Contribuer au développement des méthodes et des outils pour la reconstruction et la visualisation interactive du jumeau numérique national ;
— Participer à la capitalisation sur les travaux et le code produits lors de projets, thèses, stages après la fin de ceux-ci ou lors de leur dernière phase, et en lien avec les missions du poste ;
— Participer à la valorisation des activités de recherche (y compris publications) ;
— Développer des prototypes et participer aux activités d’innovation de l’IGN utilisant les recherches du LASTIG ;
— Participer aux enseignements de l’ENSG ;

En particulier, la personne recrutée contribuera à 3 axes du projet de Jumeau Numérique National :
1. L’axe 1 consistera à concevoir, prototyper et consolider des méthodes en acquisition et en modélisation automatique ou interactive fondées sur des données LiDAR HD et des données
PCRS (Plan de Corps de Rue Simplifié : imagerie aérienne très haute résolution, 5cm ou mieux) pour une reconstruction fine des différents thèmes du Jumeau numérique (bâtiments, végétation, réseaux, ouvrages d’art,…), et à travailler à l’intégration de données multi-sources et multi-échelles adaptées à des usages multiples (visualisation, concertation, simulation, …).
2. L’axe 2 consistera à concevoir, prototyper et consolider des méthodes d’analyse de données multi dates pour s’assurer que le Jumeau Numérique National reste fidèle à l’évolution temporelle du
territoire en s’intéressant en particulier à la détection de changements et à la mise à jour à partir de sources de données diverses (données d’acquisition, autres bases de données).
3. L’axe 3 consistera à concevoir, prototyper et consolider des méthodes de structuration 3D+T de données et de méta-données d’acquisition possiblement multi-sources : aérien (notamment images PCRS ou LiDAR HD) et terrestre (cartographie mobile et fixe) : entrepôt de données hétérogènes, recalage, diffusion pour la visualisation, la saisie interactive et la réalité augmentée.

Profil du candidat :
L’ENSG recherche un ingénieur diplômé, disposant des compétences suivantes :

Compétences techniques:

Maîtriser des environnements et langages de programmation (python, Java, JavaScript, C++, etc.)
Avoir des notions en architecture de données massives (Hadoop, etc.)
Maîtriser les outils DevOps (intégration continue, etc.) et de développement Agile
Maîtriser des outils libres en géomatique (PostGreSQL/ PostGIS, QGIS)
Savoir expertiser et assurer la qualité scientifique de résultats
Pratiquer un anglais technique et/ou scientifique
Savoir rédiger des articles scientifiques

Formation et compétences requises :
Compétences organisationnelles :

Savoir transmettre un savoir, une technique, une compétence
Savoir concevoir et mettre en œuvre des solutions nouvelles et efficaces
Savoir publier et diffuser de l’information dans un système informatisé
Savoir mener une veille sur son domaine d’activité
Avoir le sens de la responsabilité, de l’autonomie, de l’initiative

Compétences relationnelles :

Savoir collaborer et travailler en équipe
Savoir encourager la synergie et partager ses connaissances et ses expériences

Adresse d’emploi :
IGn, 73 avenue de Paris, 94160 Saint-Mandé

Document attaché : 202301111300_Offre_d_emploi_LASTIG_JNN.pdf

Cross-modal reciprocal learning: location as supervision

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

Laboratoire/Entreprise : LASTIG
Durée : 36 mois
Contact : clement.mallet@ign.fr
Date limite de publication : 2023-03-31

Contexte :
Earth Observations (EO) nowadays refer to sensors with different modalities capturing rich and complementary information. EO are typically large-scale, multimodal, and multi-resolution. They often display a complex structure in which the spatial, temporal,
and spectral dimensions are entangled. This structure is influenced by
phenomenons operating at widely different scales, complex domain shifts (the distribution and appearance of certain classes vary significantly across regions and throughout the year), atmospheric conditions, and cumulative weather, resulting in inherently
non-stationary processes. While these characteristics complexify the analysis of EO, their absolute
spatial and temporal referencing of remote sensing allows us to align different acquisitions easily.

The deep learning paradigm is gradually being adopted as an indispensable tool for the automatic analysis of EO. However, the state-of-the-art solutions suffer from
multiple limitations: (1) existing deep-based models are not well-suited to the structure of EO, (2) large-scale annotation is unrealistic, (3) the limited spatio-temporal extent and task-specificity of existing
datasets and models result in poor generalization, (4) most annotated datasets remain focused on specific areas and environments, biasing the community towards particular architectures.

We propose to address the previous limitations by developing a Foundation Model of Earth Observations, trained on extensive unannotated data. Such a model should be rich, expressive, compact and efficient for most domain shifts and geographical bias. We will explore the idea of reciprocal cross-modal training to leverage the multimodality and georeferential alignment of EO data.

Sujet :
Foundation models refer to large neural networks trained on a vast amount of data and widely used for further applications or research. Such models can be built upon without having to be trained from scratch. This strategy both saves computation time and provides expressive
features/state-of-the-art encoders, and decreases the annotation and hardware requirements usually associated with large modern networks.
We propose a new learning paradigm dubbed “Cross-modal reciprocal learning” to train such foundation models from unannotated multi-modal EO.

Text-Image contrastive pretraining has shown impressive results in computer vision, leading to expressive and influential
foundation models. Contrastive learning has been recently explored for EO by exploiting spatial alignment across time series or for cross-modal localization. We propose generalizing text-image contrastive learning to the multi-modal setting with spatially aligned
observations. We require the features extracted from acquisitions of an area through different modalities to be more similar than any descriptors of another area. By forcing spatial alignment across sensors, the features must describe the only shared
latent variable: the actual semantics of the acquired area (e.g., road, building, plant species).

Generalizing contrastive learning to the multi-domain setting raises several theoretical and technical
challenges. First, the classic two-modalities formulation leads to an exponential complexity w.r.t the number of sensors, quickly becoming impractical and requiring us to develop an adapted loss and sampling procedure. Second, cross-modal learning implies the simultaneous training of several
large networks and the manipulation of costly multi-modal batches. This raises technical issues such as inefficiency in memory use and prolonged training times. Lastly, if we only reward the encoders
for spatial alignment across modalities, they may be discouraged from retaining sensor-specific information. This would result in weaker individual representations discarding the strength of each
sensor at the benefit of the lowest common denominator. This critical concern may be mitigated with multi-task learning and self-supervision.\

Depending on the application cases, we will focus on several modalities among the six following ones: Sentinel-2 Optical Time Series, Sentinel-1 Radar Time Series, High Resolution orthoimages, hyperspectral images, aerial LiDAR, and spaceborne LiDAR.

The PhD project also includes application cases related to the exploitation of the designed model. We will focus on standard downstream tasks such as multi-domain land-cover classification or crop mapping, and biogeophysical variable estimation (e.g., biomass estimation).

Profil du candidat :
– Familiarité avec la vision par ordinateur, l’apprentissage machine et l’apprentissage profond;
– Maîtrise de Python et familiarité avec PyTorch;
– Curiosité, rigueur, motivation;
– (Optionnel) Familiarité avec l’apprentissage auto/faiblement supervisé et contrastif;
– (Optionnel) Expérience avec l’imagerie aérienne ou satellite et la classification pour l’occupation des sols.

Formation et compétences requises :
Master 2 en informatique, computer sciences, mathématiques appliquées ou télédétection

Adresse d’emploi :
IGN, 73 avenue de Paris, 94160 Saint-Mandé

Document attaché : 202301111252_These2023_LASTIG_EO_reciprocal_learning.pdf

Thèse en Détection de Changements en Observation de la Terre

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

Laboratoire/Entreprise : LASTIG
Durée : 36 mois
Contact : clement.mallet@ign.fr
Date limite de publication : 2023-03-31

Contexte :
Face à l’érosion de la biodiversité et au réchauffement climatique, des mesures s’imposent pour préserver l’état de la planète. Ces mesures de préservation nécessitent de connaître l’état de la planète mais aussi d’être capable d’en suivre l’évolution avec la meilleure actualité possible.

Les données d’observation de la Terre (OT) sont désormais abondantes grâce à des efforts internationaux tels que le déploiement de la constellation européenne Sentinel-2, qui acquiert des images en couleur de toutes les zones du globe tous les cinq jours avec une résolution de 10 mètres. Des images de plus haute résolution peuvent être obtenues en France grâce à des programmes nationaux tels que SPOT-6/7 (Airbus/CNES, 1,5$:$m/pixel), Pléiades-Pléiades Néo (Airbus, 0,3m/px) ou la BDORTHO (IGN, 0,2m/px). Cependant ces images aériennes et satellites ne sont acquis qu’avec une fréquence allant d’un à trois ans.

Ainsi, l’observation de la Terre et le traitement des images sont une des sources d’information pour la mise en place de nombreuses politiques de protection des espaces naturels terrestres et marins. Cependant, l’annotation des images satellites ou aériennes est une tâche longue, coûteuse et fastidieuse qui doit être continuellement renouvelée.
Maintenant, qu’on était constitué de larges bases d’informations décrivant le territoire de différentes manières (tel que la BD Topo ou la BD Forêt de l’IGN), se pose la question de leur mise à jour.
Ainsi la tâche principale est d’être capable de détecter une différence entre une information présente dans une base de connaissances cartographique d’une région donnée et une nouvelle acquisition.
D’une part, les changements sont des phénomènes visuellement très variés mais aussi très rares. Par exemple, au sein de l’IGN, il a été montré que sur le département du Gers, seulement 5% du territoire avait été notablement modifié en 3 ans. Cependant, le parcours exhaustif de la totalité des acquisition est nécessaire pour de ne pas manquer un changement important.
L’investigation complète d’un département requièrent environ 300 heures de travail.
C’est pourquoi il est crucial de fournir de nouvelles méthodes pour assister et accélérer la mise à jour de la donnée géographique.

Le domaine de l’analyse d’image a connu cette dernière décennie une progression fulgurante, grâce au renouveau d’outils relativement anciens de l’intelligence artificielle, notamment les réseaux de neurones. Les réseaux convolutionnels ont permis d’obtenir des performances inédites en terme de reconnaissance d’objets, au prix d’apprentissages supervisés massifs. Cependant, l’apprentissage automatique pour l’observation de la Terre est presque toujours confronté à un manque d’ensembles de données annotées. Une grande partie des données disponibles est non annotée, c’est à dire sans information sémantique associée. Cette immense ensemble de données pourrait être utilisé comme une source d’information complémentaire pour l’apprentissage de modèles pour des applications telles que la surveillance de l’artificialisation des sols, de la déforestation ou du suivi des cultures.

Un point positif est que l’OT n’est pas le seul domaine où les annotations sont rares. L’annotation d’événements événements rares est un problème majeur dans la plupart, sinon la totalité, des applications d’apprentissage automatique. Une combinaison de deux solutions est adoptée pour pallier ce problème : l’augmentation de données (pour générer de nouvelles données annotées) et le pré-entraînement non supervisé ou auto-supervisé (pour exploiter des données non étiquetées).

Sujet :
Le travail de thèse consistera à développer des outils de détection de changements pour l’observation de la Terre reposant sur les progrès récents de l’apprentissage automatique. Contrairement à la plupart des travaux de détection de changements, le sujet:

– reposera sur des problématiques réelles opérationnelles issues de la surveillance du territoire, en particulier en lien avec la mise à jour des bases de données géographiques de l’IGN,
– identifiera les défis méthodologiques à relever pour bénéficier des progrès récents dans le domaine de l’apprentissage automatique, en particulier en ce qui concerne des problématiques d’augmentation de données et de pré-apprentissage mais dans le cadre de la télédétection.

Notons que la détection de changements regroupent plusieurs cas d’application.
Trois cas d’usage différents seront considérés :
– La comparaison de deux images d’une même zone obtenus par le même capteur;
– La comparaison de deux images d’une même zone obtenus par deux capteurs différents (aérienne et satellite par exemple);
– La comparaison entre une image et l’état de la connaissance passée de la zone (par exemple représentation sémantique de la zone).

Méthodologiquement, ce dernier cas est le plus complexe et le plus intéressant car il permet de mettre à jour la base de connaissances que l’on a du territoire et qui a pu déjà être mise à jour partiellement par d’autres voies. Cette base de connaissances peut aussi contenir des erreurs de saisies passées qui seront alors corrigées.

Profil du candidat :
– Familiarité avec la vision par ordinateur, l’apprentissage machine et l’apprentissage profond;
– Maîtrise de Python et familiarité avec PyTorch;
– Curiosité, rigueur, motivation;
– (Optionnel) Familiarité avec l’apprentissage auto/faiblement supervisé et contrastif;
– (Optionnel) Expérience avec l’imagerie aérienne ou satellite et la classification pour l’occupation des sols.

Formation et compétences requises :
Master 2 en informatique, computer sciences, mathématiques appliquées ou télédétection

Adresse d’emploi :
IGN, 73 avenue de Paris, 94160 Saint-Mandé

Document attaché : 202301111249_These2023_LASTIG_change_detection.pdf

Appel TALN-CORIA-RECITAL-RJCRI

Date : 2023-06-05 => 2023-06-09
Lieu : Paris, Site des Cordeliers

Conférence TALN-CORIA-RECITAL-RJCRI 2023
Du 5 au 9 juin 2023
Paris, France

Les laboratoires franciliens organisent du 5 au 9 juin 2023 sur le
campus Sorbonne Université (Site des Cordeliers) la seconde organisation conjointe de
la conférence sur le Traitement Automatique des Langues Naturelles (TALN) et de
la Conférence en Recherche d’Information et Applications (CORIA)
ainsi que et la Rencontre des Étudiants Chercheurs en Informatique pour
le Traitement Automatique des Langues (RÉCITAL) et
Rencontre des Jeunes Chercheurs en Recherche d’Information (RJCRI).

TALN souhaite continuer la politique de ces dernières années qui consiste,
en plus de la sélection de publications scientifiques francophones
originales, à offrir la possibilité de soumettre des versions traduites
d’articles scientifiques publiés très récemment dans des conférences
majeures anglophones ou en cours de soumissions dans une conférence
anglophone.

Dates importantes

– Soumission des articles longs et courts : 3 mars 2023
– Notification aux auteurs : 16 avril 2023
– Date de la conférence : 5 au 9 juin 2023 à Paris

Thématiques

Les thématiques de la conférence s’inscrivent dans les catégories
suivantes, sans y être limitées pour autant :

– Phonétique, phonologie, morphologie, étiquetage morphosyntaxique
– Syntaxe, grammaires, analyse syntaxique, chunking
– Sémantique, pragmatique, discours
– Sémantique lexicale et distributionnelle
– Aspects linguistiques et psycholinguistiques du TAL
– Ressources pour le TAL
– Méthodes d’évaluation pour le TAL
– Applications du TAL (recherche et extraction d’information,
question-réponse, traduction, génération, résumé, dialogue, analyse
d’opinions, simplification, etc.)
– TAL et multimodalité (parole, vision, etc.)
– TAL et multilinguisme
– TAL pour le Web et les réseaux sociaux
– TAL et langues peu dotées
– TAL et langue des signes
– Implications sociales et éthiques du TAL
– TAL et linguistique de corpus
– TAL et Humanités numériques

Types de soumissions et de communications

La conférence propose plusieurs types de soumissions :

1. Travaux de recherche originaux non publiés dans d’autres
conférences. Ce type de soumission peut donner lieu à des articles
longs ou courts dans la version finale ;
2. Prises de position présentant un point de vue sur l’état des
recherches en TAL. Ce type de soumission peut donner lieu à des
articles longs ou courts dans la version finale ;
3. Travaux déjà publiés dans les conférences majeures internationales
récemment ou en cours de soumission. Il s’agit de traductions de ces
soumissions en français. Ce type de soumission ne peut donner lieu
qu’à des versions courtes dans les actes.

Le format de soumission est similaire aux années précédentes et
précisé dans un message ultérieur avec la feuille de style et le site
web.

Si tous les auteurs sont francophones, les articles doivent être
écrits en français. Si l’un des auteurs n’est pas francophone, les
articles peuvent être rédigés en anglais.

Tous les articles acceptés seront publiés dans les actes de la
conférence. Notez par ailleurs que les actes de la conférence sont
indexés dans l’ACL Anthology.

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

PR Transition écologique numérique (Université Côte d’Azur) (sections 27 et 61)

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

Laboratoire/Entreprise : Université Cote d’Azur
Durée : permanent
Contact : Matthieu.Latapy@lip6.fr
Date limite de publication : 2023-06-01

Contexte :
Voir PDF attaché.

Sujet :
Voir PDF attaché.

Profil du candidat :
Voir PDF attaché.

Formation et compétences requises :
Voir PDF attaché.

Adresse d’emploi :
Voir PDF attaché.

Document attaché : 202301091353_chaire UCA 27-61 transition écologique numérique.pdf

CAp 2023 Call for Papers

Date : 2023-07-03 => 2023-07-05
Lieu : Strasbourg

CAp is an interdisciplinary gathering of researchers at the intersection of machine learning, applied mathematics, and related areas. This year it takes place at Strasbourg from July 3 to July 5 and is part of the platform PFIA (3-7 July) gathering researchers in Artificial Intelligence.

The submission website can be found here.
Submitted papers can be either in English or in French and we encourage two types of submissions:

  • Full research papers on the theme of machine learning theory and its applications should not exceed 10 pages in CAp double-column format (including references and figures). A suitable LaTeX template for CAp is available here.
  • Short papers can be up to 6 pages using the same format as the full papers. They present original ideas and provide an opportunity to describe significant work in progress.

We also encourage the submission of recent (2022 or 2023) papers accepted to high level conferences and journals in machine learning. These papers will also be reviewed (lightly) by the program committee. If accepted, they will be presented at the conference but will not appear in any (online) proceedings. Note that, in this particular case, the paper can be submitted in the original conference format (length and style) and the reviews given by the conference/ML journal where it was accepted should be included as the first pages of the submission in addition to a link to the corresponding conference/ML journal web page. The submission of the reviews and the original paper should be merged and submitted into a single PDF file on the easychair website.

Some accepted papers will be presented in a long (20 minutes) oral presentation and all the accepted papers will be given the opportunity to be presented as a spotlight (3 minutes) and as a poster at the conference. These presentations are an opportunity to have constructive and rigorous feedbacks, as well as to establish contacts with members of the french machine learning community. PhD Students are particularly welcome and encouraged to submit papers. Contributions will be freely distributed on the conference website, subject to approval by the authors.

KEY DATES

  • CAp Event: 3-5 July 2022
  • PFIA Event: 3-7 July 2022
  • CAp papers submission deadline: 1st of March 2023
  • Notification to authors for CAp papers: 15th of April 2023
  • Camera ready: 2nd of May 2023
  • Opening for registration: 22nd of April 2023
  • Early bird registration for the conference: up to the 23rd of May 2023

TOPICS

The conference and program chairs of CAp 2023 invite those working in areas related to any aspect of machine learning to submit original papers for review. Solicited topics include, but are not limited to:

Learning theory, models and paradigms:

  • Active learning
  • Online learning
  • Multi-target, multi-task, multi-instance, multi-view and transfer learning
  • Supervised, unsupervised and semi-supervised learning
  • Reinforcement learning
  • Relational learning
  • Representation learning
  • Symbolic learning
  • Bandit algorithms
  • Matrix and tensor factorization
  • Optimal Transport for Machine Learning
  • Ethic and fairness of Machine Learning
  • Interpretable Machine Learning
  • Grammar induction
  • Kernel methods
  • Bayesian methods
  • Spectral methods
  • Stochastic processes
  • Ensemble learning and boosting
  • Graphical models
  • Gaussian process
  • Neural networks and deep learning
  • Learning theory
  • Game theory

Optimization et related problems:

  • Large-scale machine learning and optimization
  • Optimization algorithms
  • Distributed optimization
  • Machine learning and structured data (spatio-temporal data, tree, graph)
  • Classification with missing values

Applications:

  • Social network analysis
  • Temporal data analysis
  • Bioinformatic
  • Data mining
  • Neuroscience
  • Natural language processing
  • Information retrieval
  • Computer vision

Lien direct

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

TOTh 2023 Call for Papers “Terminology & Ontology: Theories and applications”

Date : 2023-06-01 => 2023-06-02
Lieu : Campus Scientifique du Bourget du Lac
Université Savoie Mont-Blanc

Created in 2007, the TOTh Conferences bring together researchers and professionals interested in terminology and ontology, and, more generally in the links between language and knowledge. http://toth.condillac.org/

TOTh relies on the peer review process and the publication of papers under the supervision of an international Programme Committee comprising more than 20 nationalities.

Topics: Linguistics, Terminology, Translation, Natural Language Processing, Knowledge Representation, Ontology, Artificial Intelligence, Semantic web, and their applications in Digital Humanities, Cultural Heritage, Information Retrieval, Medicine, Finance, Industrial Applications, etc.

The deadline for submission of abstracts is postponed to February 12, 2023
Notification to authors: 12 March 2023
Easychair submission page: https://easychair.org/conferences/?conf=toth2023
Easychair call for papers: https://easychair.org/cfp/TOTh-2023
http://toth.condillac.org/wp-content/uploads/2023/01/TOTh-2023-Call-for-papers-English.pdf

Author guidelines: The format for submitting abstracts is free. The number of characters including spaces is between 12,000 and 15,000, excluding the bibliography

TOTh TRAINING 2023 – On site & Online
“Terminology & Digital Humanities”

Training 2023 DH


30 & 31 May 2023
University Savoie Mont-Blanc (Chambéry, France).
http://toth.condillac.org/training-2023-dh

Lien direct

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

Postdoc Deep Learning en substitution aux modèles CFD

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

Laboratoire/Entreprise : IRPHE/AMSE
Durée : 18mois
Contact : badihghattas@gmail.com
Date limite de publication : 2023-01-31

Contexte :
Ce projet est porté par un consortium pluridisciplinaire composé de chercheurs spécialistes en mécanique des
fluides, biomécanique, milieu poreux, statistiques, ainsi qu’imagerie médicale. L’équipe de biomécanique de
l’Institut de Recherche sur les Phénomènes Hors Equilibre (UMR7342, Marseille), l’équipe physique des transferts
de l’IUSTI (UMR7343, Marseille), l’équipe Econométrie et statistiques de l’AMSE (UMR7316, Marseille), et l’équipe
système cardiovasculaire du CRMBM (UMR7339, Marseille) en collaboration avec les services d’imagerie médicale
et de chirurgie vasculaire de l’hôpital de la Timone souhaitent développer un outil de diagnostic clinique capable
de prédire précocement l’évolution de pathologies de l’aorte thoracique.

Sujet :
Substitution de modèles numériques de mécanique des fluides par des modèles d’apprentissage profond. Applications aux pathologies vasculaires

Profil du candidat :
Docteur en Statistiques et/ou Informatique dans le domaine de l’apprentissage profond.

Formation et compétences requises :
Le/la candidat.e devra avoir des connaissances académiques dans les champs disciplinaires relatifs au sujet: deep
learning pour les sciences de l’ingénierie et modélisations numériques. Il/elle devra avoir une appétence avérée
pour l’interdisciplinarité. Une expérience en programmation python est indispensable.

Adresse d’emploi :
Marseille, IRPHE/AMSE.

Document attaché : 202301070744_Post_doc_TAAMOD_Fr_En.pdf