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

Laboratoire/Entreprise : OpenEdition / LIS
Durée : 3 ans
Contact : patrice.bellot@univ-amu.fr
Date limite de publication : 2023-07-01

Contexte :
Dans le contexte du projet européen COMMONS (https://www.thecommonsproject.org), OpenEdition (https://www.openedition.org) recrute deux doctorant·es pour travailler à concevoir et déployer un observatoire des usages qui permettra de documenter les pratiques des utilisateurs et utilisatrices des quatre plateformes d’OpenEdition, ainsi que d’Huma-Num et Métopes.

Sujet :
Les deux doctorant·es (l’un·e en informatique/humanités numériques et l’autre en sciences de l’information et de la communication/sociologie) collaboreront à la conception d’un protocole d’enquête permettant de documenter les usages des plateformes de science ouverte. Une première campagne d’enquête permettra non seulement un retour critique et réflexif à des fins d’amélioration du protocole mais également une première typologie des usagers et pratiques.

La structure d’accueil du doctorat sera OpenEdition, à Marseille, en co-tutelle avec :
– le LIS (UMR AMU CNRS de l’INS2i) et son école doctorale (ED 184) pour la thèse en informatique ;
– ELICO (Équipe de recherche de Lyon en sciences de l’Information et de la COmmunication) et son école doctorale (485 ED EPIC) pour la thèse en sciences de l’information et de la communication.

Votre CV, un projet de recherche (max. 1 page + 10 références) et une lettre de motivation doivent être déposés sur le portail du CNRS.
Veuillez également mentionner les coordonnées de 2 contacts de référence que nous contacterons directement le cas échéant.

Offre en SIC : https://emploi.cnrs.fr/Offres/Doctorant/UAR2504-SIMDUM-001/Default.aspx
Offre en informatique : https://emploi.cnrs.fr/Offres/Doctorant/UAR2504-SIMDUM-002/Default.aspx

Contact Informatique : Patrice Bellot (AMU CNRS LIS) patrice.bellot@univ-amu.fr ; Simon Dumas Primbault (CNRS OpenEdition) simon.dumas-primbault@openedition.org

Profil du candidat :
Bac +5 informatique (Master Informatique ou équivalent)

Formation et compétences requises :
Apprentissage machine
Recherche d’information
Développement Python

Adresse d’emploi :
Marseille

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

Laboratoire/Entreprise : LITIS Lab (Université & INSA Rouen Normandy)
Durée : 3 ans
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2023-05-08

Contexte :
Keywords:
Deep learning, anomaly detection, unsupervised learning, optimal transport, domain adaptation, label shift, time series

Supervision Team:
The PhD candidate will be a member of the Machine Learning group in LITIS Lab (University and INSA Rouen Normandy). She/he will be advised by Fannia Pacheco, Paul Honeine, Maxime Berar and Gilles Gasso.

Application:
Please send CV and transcripts of grades to fannia.pacheco@univ-rouen.fr and paul.honeine@univ-rouen.fr.
The deadline for application is the 8th of May 2023.

Sujet :
Description

Deep learning relies on large datasets to learn decision functions for a specific task. These decision functions are prone to be inaccurate at inference for online data, which may be corrupted by anomalies or suffer from a distribution shift. In the most difficult context, training data are labeled, while test data are unlabeled. Under some mild assumptions, the main distribution shift families are covariate shift and label shift. The former is related to causal learning (predicting effects, namely the conditional p(y|x) does not change), and the latter to anti-causal learning (predicting causes, namely the conditional p(x|y) does not change). This thesis focuses on the label shift for online data, since it emerges naturally in diagnosis tasks [1].

The PhD student will take advantage of recent developments in domain adaptation, and more specifically using Optimal Transport (OT), in order to address label shifts in time series. Domain adaptation by OT [2, 3] consists in transporting the source domain feature space to a space equivalent to the target domain space, and then learning a new feature space and decision function where both the source and the target label distributions match. Two major difficulties will be addressed in this PhD thesis. First, we consider unsupervised domain adaptation, namely the target data is available and unlabeled. Whilst label shift is still present in unsupervised domain adaptation, one would like to find the best matching between the source domain and the clusters created in the target domain. To this end, it assumes that all the classes (although unlabeled) are available in the target domain [4, 5]. Second, we consider online domain adaptation, which consists in performing domain adaptation on the fly [6]. This means that the target domain is not available, but new batches of data are available sequentially in order to infer the adaptation, thus requiring online algorithms [7].

This PhD thesis aims to address the most challenging conditions in an online framework and for real-world time-series applications. Its main objectives can be divided into three parts:
i) Study and formalize label shifts and its consequences over classification performance and anomaly detection in times series data.
ii) Propose a method to conceive same label matching in online contexts, by investigating recent advances in OT for domain adaptation.
iii) Create a framework that couples the label matching and unsupervised learning for new distribution discovery.
The proposed framework and devised methods will be evaluated in a variety of time series data for anomaly detection [8], with a focus on fault diagnosis for predictive maintenance in industrial applications [9, 10].

References

[1] Z. Lipton, Y. Wang and A. Smola, “Detecting and correcting for label shift with black box predictors,” ICML, 2018.
[2] N. Courty, R. Flamary, D. Tuia and A. Rakotomamonjy, “Optimal Transport for Domain Adaptation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017.
[3] M. Alaya, M. Berar, G. Gasso, and A. Rakotomamonjy, “Theoretical guarantees for bridging metric measure embedding and optimal transport,” Neurocomputing, 2022.
[4] A. Rakotomamonjy, R. Flamary, G. Gasso, M. E. Alaya, M. Berar, and N. Courty, “Optimal transport for conditional domain matching and label shift,” Machine Learning, 2022.
[5] A. Alaoui-Belghiti et al., “Semi-supervised optimal transport methods for detecting anomalies,” ICASSP, 2020.
[6] M. de Carvalho et al., “ACDC: Online unsupervised cross-domain adaptation,” Knowledge-Based Systems, 2022.
[7] A. Mensch and G. Peyré, “Online Sinkhorn: Optimal transport distances from sample streams,” NeurIPS, 2020.
[8] K. Choi et al., “Deep Learning for Anomaly Detection in Time-Series Data: Review, Analysis, and Guidelines,” IEEE Access, 2021.
[9] F. Pacheco et al., “Deep Ensemble-Based Classifier for Transfer Learning in Rotating Machinery Fault Diagnosis,” IEEE Access, 2022.
[10] P. Honeine, S. Mouzoun, and M. Eltabach. “Neighbor retrieval visualizer for monitoring lifting cranes,” CMMNO, 2018.

Profil du candidat :
The PhD candidate must be a graduate student or have a MSc or engineering degree in one of the following fields: computer science, data science, applied mathematics or equivalent. She/he must have a strong background in machine learning and/or signal processing and/or computer vision. Experience in deep learning is appreciated, as well as proficient programming skills in Python.

Formation et compétences requises :
–

Adresse d’emploi :
Université de Rouen Normadie

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

Laboratoire/Entreprise : LaTIM & Lab-STICC
Durée : 36 mois
Contact : francois.rousseau@imt-atlantique.fr
Date limite de publication : 2023-07-01

Contexte :
Lab

La recherche à IMT Atlantique concerne près de 800 personnes, dont 290 enseignants et chercheurs et 300 doctorants, et porte sur les technologies du numériques, de l’énergie et de l’environnement. Il couvre toutes les disciplines (des sciences physiques aux sciences humaines et sociales en passant par celles de l’information et du savoir) et couvre tous les domaines des sciences et des technologies de l’information et de la communication.

La thèse se déroulera au laboratoire LaTIM (INSERM U1101), sur le campus de Brest, en collaboration avec le Lab-STICC (Brest).

Date de début : Octobre 2023
Financement : Union européenne (projet CEREBRO)

Sujet :
Description

Description du projet :
Le projet EIC Pathfinder CEREBRO (an electric Contrast medium for computationally intensive Electroencephalographies for high REsolution BRain imaging withOut skull trepanation) vise le développement d’une nouvelle modalité d’imagerie de l’anatomie et de l’activité électrophysiologique du cerveau, qui est essentielle pour de nombreuses applications, notamment la dosimétrie électromagnétique, la neurostimulation, les interfaces cerveau-ordinateur et le diagnostic de maladies telles que le cancer, l’épilepsie et la maladie de Parkinson.

L’imagerie de l’activité cérébrale peut être réalisée à l’aide d’un électroencéphalographe (EEG), mais en raison des effets de blindage du crâne, la résolution spatiale des relevés est limitée. Une solution fréquente pour surmonter ce problème consiste à implanter des électrodes directement sous le crâne (ECoG) ou sur le cortex. L’imagerie qui en résulte est de meilleure qualité, mais elle n’est que locale.

CEREBRO verra la conception et le design d’une nouvelle modalité d’imagerie basée sur un milieu de contraste électromagnétique qui permettra de contourner l’effet de blindage du crâne, permettant ainsi une imagerie à haute résolution spatiale de l’activité cérébrale dans son ensemble, tout en préservant la haute résolution temporelle des modalités d’imagerie directe de l’activité électrophysiologique.

Les informations qui seront rendues accessibles à la communauté médicale n’ont jamais été extraites auparavant et devraient permettre des percées importantes dans le domaine des neurosciences et des soins aux patients.

Description du sujet :
Ce travail de thèse vise à étendre les algorithmes statiques de source inverse en neuroimagerie au régime des hautes fréquences. Ces extensions reposeront sur le remplacement du “problème direct” statique par un problème dynamique (pour lequel le solveur sera spécifiquement développé). Les courants statiques sont remplacés par des courants oscillants et le potentiel est remplacé par le champ électromagnétique harmonique. Il s’agit clairement d’un cadre sans précédent pour la neuro-imagerie, mais la stabilité à haute fréquence est très attendue puisque le problème mathématique de la neuro-imagerie à haute fréquence pourrait être considéré comme une contrepartie vectorielle de l’imagerie de la source acoustique dans l’eau pour laquelle il existe des algorithmes de source inverse très efficaces.

Dans ce but, il s’agira d’implémenter des algorithmes de source inverse à haute fréquence utilisés par exemple en océanographie et de les utiliser en neuro-imagerie. Contrairement au cas statique qui est mathématiquement mal posé (pour des distributions de sources générales), les problèmes de sources inverses multifréquences sont bien posés. On s’attend donc à ce que l’imagerie en présence des micro-tiges, en plus de compenser les différences de RSB entre les lectures EEG invasives et non invasives, réduise également le caractère mal posé, ce qui permettra d’augmenter encore la précision.

Ce travail de thèse vise à apporter une contribution sur les méthodes de résolution de problèmes inverses à l’aide de techniques d’apprentissage profond. Il s’agira de mettre en place une formulation variationnelle pour l’estimation des propriétés électrophysiologies des tissus cérébraux à partir de données dans le cadre de l’apprentissage profond afin d’apprendre conjointement le terme de régularisation (a priori) et le solveur associé au problème de minimisation.

Profil du candidat :
Profil
Les compétences requises pour mener à bien ce travail concernent l’apprentissage machine, le traitement d’images, et les mathématiques appliquées. Des connaissances en informatique et en programmation (Python) seront également requises afin de développer les algorithmes associés.

Formation et compétences requises :
Master 2 ou équivalent en apprentissage / math appliqués / traitement de données médicales

Adresse d’emploi :
IMT Atlantique, Campus Brest.

Document attaché : 202304151611_2023-Cerebro_french.pdf

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

Laboratoire/Entreprise : IMT Atlantique (Brest), LAB-STICC (UMR CNRS 6285)
Durée : 3 ans
Contact : lina.fahed@imt-atlantique.fr
Date limite de publication : 2023-08-31

Contexte :
Environnement académique : IMT Atlantique, reconnue internationalement pour la qualité de sa recherche, est une grande école d’ingénieur généraliste dépendant du ministère en charge de l’industrie et du numérique. Sur 3 campus, Brest, Nantes et Rennes, IMT Atlantique a pour ambition de conjuguer le numérique et l’énergie pour transformer la société et l’industrie, par la formation, la recherche et l’innovation. Avec 290 chercheurs et enseignants-chercheurs permanents, 1000 publications et 18 M€ de contrats, elle encadre chaque année 2300 étudiants. Ses formations s’appuient sur une recherche de pointe, au sein de 6 unités mixtes de recherche dont elle est tutelle : Lab-STICC, GEPEA, IRISA, LATIM, LS2N et SUBATECH.
Le poste sera basé au département LUSSI dans le campus de Brest d’IMT Atlantique. Le département compte environ 65 personnels dont 21 enseignants chercheurs permanents. Le département propose une approche pluridisciplinaire des transitions numérique et technologique des systèmes sociotechniques. Il est partie prenante du laboratoire de recherche Lab-STICC (UMR CNRS 6285). Le ou la futur-e doctorant-e fera partie de l’équipe DECIDE du Lab-STICC qui fournit des solutions d’aide à la décision aux décideurs confrontés à des données hétérogènes et complexes. L’équipe travaille sur 3 axes de recherche : données, décision et information. Pour cela elle développe des travaux en fouille de données, apprentissage machine, théorie des graphes, optimisation, aide à la décision et fusion de données.

Description du projet : Dans de plus en plus de secteurs, les techniques d’intelligence artificielle sont proposées afin de comprendre, prédire, représenter de nombreux phénomènes et connaître les relations de cause à effet (la causalité) entre les phénomènes étudiés, notamment pour assister les experts d’un domaine dans leur prise de décision.
Cependant, l’opacité et la complexité de certains modèles dits « boites noires » ont été récemment largement dénoncées (Miller, 2018). Par conséquent, le domaine de l’Intelligence Artificielle eXplicable (XAI) a pris de l’ampleur face aux modèles d’IA de plus en plus complexes et opaques, et surtout suite au règlement européen général de protection de données (RGPD) qui donne droit aux individus d’exiger une explication des processus de traitement automatique de données les concernant (Goodman et Flaxman, 2017). Ces nouvelles méthodes de XAI permettent aux experts de mieux comprendre la décision proposée par le modèle d’IA, d’être guidés dans le choix des actions à effectuer, et de développer un certain degré de réflexivité vis-vis du modèle et d’apporter une interaction optimale avec celui-ci (Fahed et al., 2018 ; Chraibi Kaadoud et al., 2021 ; Chraibi Kaadoud, et al., 2022 ; Saeed et al., 2023).

Sujet :
Le sujet de thèse s’inscrit dans le domaine de l’intelligence artificielle explicable, de l’apprentissage automatique et de la science des données. Le travail de recherche sera mené au sein du projet ANR intitulé «Les effets de l’Intelligence Artificielle sur l’Activité Policière : nouveaux régimes de quantification, diversification du marché et redéfinition des dispositifs de sécurité urbaine (ANR IAAP, ANR-21-CE26-0023-01) ». Le ou la futur-e doctorant-e fera partie de l’équipe projet composée de chercheurs en informatique et en sociologie.
De manière globale, ce projet étudie plusieurs cas de « safe city » et de « smart city » (Paris, Marseille, Montpellier, Montréal et Toronto) utilisant notamment des technologies de vidéosurveillance automatisée et de prédiction de phénomènes criminels et délictuels (Castagnino, 2019), notamment par de l’apprentissage automatique. L’objectif général du projet est d’analyser les effets concrets de l’IA dans le travail policier. Deux grands questionnements articulent la recherche :
– Comment la mise en place des systèmes d’IA change les modes de connaissance et de représentation des phénomènes de délinquance ? Comment comprendre et représenter ces phénomènes dans un système d’IA ? Comment l’intégration des connaissances des experts améliore la transparence et l’explicabilité du système IA ?
– Comment détecter et intégrer les préoccupations politiques et sociales dans les productions scientifiques et techniques, i.e. un système d’IA pour la sécurité urbaine, liées notamment aux risques de biais et de discriminations ?

Objectifs de la thèse et contributions attendues
Données hétérogènes disponibles : Le ou la futur-e doctorant-e aura à disposition une première source de données : les analyses sociologiques issues des enquêtes de terrain réalisées par les chercheurs en sociologie qui font partie du projet ANR IAAP. Ces analyses sociologiques représentent une source de données « non numériques » qui peuvent servir à corriger, informer et compléter les sources de données numériques, c-à-d. les données issues de capteurs et autres données publiques (comme celles disponibles sur data.gouv.fr) sur les phénomènes de délinquance. En permettant de les contextualiser et d’en faire ressortir certains biais, l’apport attendu est d’améliorer la compréhension de ces phénomènes à partir de l’analyse, de la compréhension et de l’extraction de connaissances pertinentes des donnés à la fois qualitatives et quantitatives. Cependant, la nature et hétérogénéité de ces deux sources de données rendent la tâche de fusion très complexe. Afin de représenter de telles données hétérogènes, des approches à base de graphes de connaissances temporels seront à étudier (Xu et al., 2020) vue leur apport dans des systèmes explicables (Goebel et al., 2018).
Approches à proposer : l’objectif de la thèse est de proposer un système d’IA à base d’apprentissage automatique non-biaisé et explicable. Cela sera réalisé en deux étapes :
1- Détection de biais : les sources potentielles de biais et les préjugés potentiels doivent être identifiés en confrontant différentes sources(expertises professionnelles, enquêtes empiriques, etc.). Les biais algorithmiques doivent également être détectés : biais des données, biais statistiques, biais de traitement, biais des experts (Mehrabi et al., 2021). Le défi réside dans la définition d’une équité adaptée au cadre des activités policières et l’intégration des résultats d’analyses sociologiques dans une mesure de détection de biais.
2- Système IA explicable : un système à base d’apprentissage automatique, principalement non- supervisé sera proposé afin d’extraire les connaissances et de les représenter de manière transparente. Nous proposons de représenter une explication sous formes multiples : un ensemble de statistiques, visualisations, règles, et termes sémantiques. Des techniques à base de graphes de connaissances temporels seront étudiées (JI et al., 2021 ; Tiddi et al., 2022). Le défit ici réside (i) dans la définition d’un équilibre entre transparence (i.e. explicabilité) et performance afin de s’assurer que le modèle d’apprentissage fonctionne conformément aux attentes et ne propage pas de biais, et (ii) dans la validation quantitatives et qualitatives des formes d’explication .

Un état de l’art sur ces sujets sera à réaliser.

Le ou la doctorant-e pleinement intégré-e au projet ANR IAAP sera amené-e à :
– Contribuer à la réflexion collective de l’équipe projet via une participation active aux réunions et séminaires du projet.
– Contribuer à la rédaction d’articles scientifiques.
– Participer aux actions de valorisation et de diffusion des résultats obtenus (séminaires, conférences, …).

Profil du candidat :
– La ou le candidat(e) doit avoir un diplôme de Master et/ou Ingénieur dans des domaines liés à l’informatique, science des données, mathématiques appliquées, statistique ou traitement de signal.
– Avoir une aptitude au développement de méthodes d’intelligence artificielle, machine learning, statistique, analyse des données. Des connaissances en traitement automatique des langues sera appréciée. Une appétence pour le dialogue interdisciplinaire et la sociologie sera valorisée.
– Être familier avec certains outils informatiques/langages : python (scikit-learn, Pandas, NumPy), …
– Avoir un bon niveau d’anglais écrit et oral. Avoir la capacité de communiquer en français (niveau A2 minimum).

Formation et compétences requises :
– La ou le candidat(e) doit avoir un diplôme de Master et/ou Ingénieur dans des domaines liés à l’informatique, science des données, mathématiques appliquées, statistique ou traitement de signal.
– Avoir une aptitude au développement de méthodes d’intelligence artificielle, machine learning, statistique, analyse des données. Des connaissances en traitement automatique des langues sera appréciée. Une appétence pour le dialogue interdisciplinaire et la sociologie sera valorisée.
– Être familier avec certains outils informatiques/langages : python (scikit-learn, Pandas, NumPy), …
– Avoir un bon niveau d’anglais écrit et oral. Avoir la capacité de communiquer en français (niveau A2 minimum).

Adresse d’emploi :
IMT Atlantique, campus Brest

Document attaché : 202304121330_offre de thèse IMT Atlantique Brest en XAI.pdf