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

Laboratoire/Entreprise : CEDRIC, CNAM
Durée : 6 mois
Contact : elena.kornyshova@cnam.fr
Date limite de publication : 2025-06-10

Contexte :

Sujet :
Multiple applications as well as so-called ‘smart’ devices appear and develop. This field is booming, it is not yet structured. As part of an international collaboration, we have started this work at the level of existing states of the art (2410 works). However, this work is limited because it does not take into account primary research sources (around 300,000). The objective is to carry out a survey of the publications available in scientific databases in order to analyze the existing terminology and establish typologies of fields and intelligent devices in the whole and by sub-domain: smart healthcare, smart cities, etc.

Profil du candidat :
PhD in Computer science, machine learning, NLP, interested in Smart applications and devices.

Formation et compétences requises :

Adresse d’emploi :
2 rue Conté, 75003 Paris, France

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

Laboratoire/Entreprise : ISEN Yncrea Ouest
Durée : 12 mois
Contact : sylvain.lefebvre@isen-ouest.yncrea.fr
Date limite de publication : 2025-06-15

Contexte :
Yncréa Ouest est un Établissement d’Enseignement Supérieur Privé d’Intérêt Général (EESPIG) sous contrat avec le ministère de l’Enseignement Supérieur et de la Recherche. L’Association Yncréa Ouest est membre d’Yncréa, premier pôle privé associatif d’écoles d’ingénieurs en France. Yncréa Ouest gère l’école d’ingénieurs ISEN Yncréa Ouest, implantée sur les villes de Brest, Caen, Nantes, Rennes et Paris (Antony). L’école forme des élèves ingénieurs dans les technologies du numérique et notamment les systèmes numériques embarqués, la robotique, l’énergie, les objets connectés (IoT), l’intelligence artificielle, le big data, l’environnement, le développement durable, les technologies marines et la cybersécurité. Les activités de recherche de l’équipe d’accueil sont centrées essentiellement sur le numérique et ses applications notamment celles dans l’Usine du futur, le campus connecté, le traitement des données et l’Intelligence Artificielle. Plus des détails sont disponibles sur le site de l’ISEN.

Ce contrat se déroule dans le cadre d’une chaire industrielle créée en 2021 entre l’entreprise ACOME, leader européen dans la création des câbles et le L@bISEN, le laboratoire de recherche de l’Institut Supérieur de l’Electronique et du Numérique (ISEN). Ce travail va être effectué par un(e) post-doctorant(e) ou un(e) ingénieur(e) de recherche, sur une période de de 12 mois, encadré(e) par un enseignant-chercheur de l’ISEN Ouest. Plus largement, la personne recrutée bénéficiera du soutien technique de l’équipe de recherche, équipe composée de 5 E/C et 2 ingénieurs.

ACOME – Mortain A la fois leader et spécialiste sur les marchés des réseaux télécoms et infrastructures, des réseaux du bâtiment, de l’automobile et de l’embarqué, ACOME est aujourd’hui le premier Groupe industriel coopératif Français produisant des câbles, des tubes et de la fibre optique sur le territoire national depuis 1932 et la première SCOP de France (Société Coopérative et Participative) avec une forte dynamique internationale et des implantations en Chine, en Afrique du Nord et au Brésil. Plus des détails sont disponibles sur le site d’ACOME.

Pour inciter à la mixité des candidatures sur tous les postes et surtout ceux à forte prédominance féminine ou masculine, l’Association rappelle qu’elle étudie avec la même attention les candidatures féminines et masculines.

Association handi-accueillante, nos postes sont ouverts aux personnes en situation de handicap.

Pour candidater : https://isen.softy.pro/offre/161433-post-doctoral-conception-et-mise-en-place-de-solutions-ia-pour-loptimisation-des-flux-industriels-h-f

Sujet :
En 2019 l’industrie manufacturière était responsable de 19% des déchets non dangereux produits chaque année [1]. A l’ère de la numérisation massive de l’industrie et du développement des technologies d’intelligence artificielle, la mise en place de systèmes et procédures permettant d’automatiser la détection et la correction des défauts de production promet d’impacter significativement les quantités rejetées lors de la production.
La fabrication des câbles combine plusieurs activités complexes de production effectuées par différentes machines dans plusieurs ateliers. L’activité de production de l’entreprise concerne principalement la production de câbles pour différents secteurs industriels et notamment pour le secteur automobile. Il s’agit donc de fabrication de produits en long. Les procédés de fabrication pour ce genre de produits impliquent des flots continus de matières circulant dans et entre les machines. Des changements d’ordre de fabrication, des défauts de qualité des matières premières ou des conditions de production particulières produisent par exemple des produits ne pouvant être commercialisés qui sont alors des sources de coût pour l’entreprise et ont impact environnemental négatif.
Il y a donc un besoin de fournir un outil d’analyse intelligent de plusieurs sources de données sur l’ensemble du processus de production, qui puisse recommander automatiquement aux ingénieurs qualité les paramètres optimaux pour minimiser les déchets.
ACOME et les équipes de l’ISEN ont donc développé un lac de données rassemblant les informations de production et de qualité lors des phases antérieures du projet. L’analyse de ces données est en cours et permettra de faire émerger des recommandations et des outils de suivis appropriés pour les équipes qualité d’ACOME.
Le post doctorant interviendra donc dans le développement de ces outils d’analyse, ce qui pourrait nécessiter la conception de nouvelles approches de recherche, comme : l’analyse de journaux existants et d’identification automatiques des éléments pouvant amener à générer des déchets [1], le développement de méthodes prédictives (IA, Apprentissage Automatique et Profond) pour l’estimation des quantités de déchets. D’autres approches peuvent utiliser des jumeaux numériques [2, 4] et l’apprentissage par renforcement pour virtuellement reproduire les conditions de l’usine et analyser l’impact des variations des paramètres de production. Enfin, les approches visant à optimiser l’ordonnancement des tâches, c’est-à-dire la planification des activités de production, dans le but de minimiser la quantité de déchets produits pourront être explorées [3].

Références :
[1] Duong, L. T., Trave-Massuyes, L., Subias, A., & Roa, N. B. (2021). Assessing product quality from the production process logs. The International Journal of Advanced Manufacturing Technology, 117, 1615-1631.
[2] Howard, D. A., Ma, Z., & Jørgensen, B. N. (2021). Digital Twin Framework for Industrial Production Processes. Energy Informatics, 4(Suppl. 1), P9.
[3] Le Hesran, C., Ladier, A. L., Botta-Genoulaz, V., & Laforest, V. (2019). Operations scheduling for waste minimization: A review. Journal of cleaner production, 206, 211-226.
[4] Botín-Sanabria, D. M., Mihaita, A. S., Peimbert-García, R. E., Ramírez-Moreno, M. A., Ramírez-Mendoza, R. A., & Lozoya-Santos, J. D. J. (2022). Digital twin technology challenges and applications: A comprehensive review. Remote Sensing, 14(6), 1335.

Profil du candidat :
Le candidat devra montrer une solide expertise dans un ou plusieurs des domaines suivants :
– Avoir des prérequis solides en : IA, Statistique, Big Data Analysis, Big Data Science, Machine Learning, Deep Learning, etc.
– Excellente compétence en programmation orientée-objet (Python ou Java, etc.)
– Avoir une expérience dans la proposition, développement, test des modèles de statistique inférentielle, de corrélation, de régression, de classification ou de clustering,
– Maitriser le Français et l’Anglais,
– Mener des recherches de haut-niveau et publier des articles scientifiques dans des conférences et des revues internationales à comité de lecture.

Expériences appréciables :
– Une expérience industrielle,
– Connaissance du SQL.

Formation et compétences requises :

Adresse d’emploi :
Carquefou ou Antony

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

Laboratoire/Entreprise : EFELIA Côte d’Azur
Durée : 2 ans
Contact : vincent.vandewalle@univ-cotedazur.fr
Date limite de publication : 2025-06-20

Contexte :
Nous recherchons notre futur/future Enseignant/e Chercheur/euse contractuel/le en Intelligence Artificielle Générative !
Le rattachement sera à EFELIA Côte d’Azur, ainsi qu’au département d’informatique.
Rejoignez-nous au sein d’Université Côte d’Azur, reconnue depuis 2016 pour son excellence scientifique et pédagogique, pour créer ensemble le modèle de l’université du 21ème siècle responsable et innovante.

Sujet :
La personne recrutée intègrera l’équipe du projet EFELIA Côte d’Azur pour contribuer au développement des formations établies par la direction scientifique, en particulier à destination des publics de master, mais non exclusivement (licence, formation professionnelle et MOOC). Lapersonne participera à la production de contenu scientifique pour ces enseignements. La mission comprend 128 heures équivalent TD d’enseignement en présentiel, 64 heures de missions complémentaires (représentation du projet, aide à la réalisation de contenus en ligne), et d’une mission de recherche en développant une perspective sociologique de l’IA. La
personne devra être capable d’enseigner des cours de base en IA (en particulier machine learning) à destination de publics non techniques, et des cours avancées aux publics experts et professionnels, en particulier sur les méthodes d’IA générative, tout en y développant une perspective critique incluant les problématiques éthiques, sociales et écologiques (limites, biais, consommation, justice sociale).Le projet de recherche devra être mené aux laboratoire I3S (UniCA, CNRS) ou au Centre Inria d’UniCA, et conçu avec des membres de ces laboratoires pour y développer des activités autour des modèles fondations pour les grands défis scientifiques et de société (exemples : analyse multimédia, biologie, médecine, environnement). Le projet de recherche devra permettre de démontrer une réelle volonté d’intégration à l’équipe d’accueil en recherche, pour contribuer à apporter de nouvelles approches aux domaines fondamentaux ou applicatifs de l’équipe

Profil du candidat :
Les personnes candidates doivent avoir :
• Un doctorat avec une forte composante en apprentissage automatique et deep learning (ou une soutenance de doctorat prévue en 2025),
• Contributions de recherche en apprentissage automatique, apprentissage profond et domaines d’application tels que la vision par ordinateur,
• Publications dans des revues internationales de premier plan (PAMI, JMLR, IEEE Trans. On Multimedia, …) ou dans des conférences sur l’IA et ses principaux domaines d’avancement (NeuRIPS, ICML, CVPR, ICCV, ACM Multimedia, AISTATS, IJCAI, ACL, IEEE IROS, …),
• Capacité à enseigner des cours d’informatique, d’apprentissage automatique et d’apprentissage profond,
• La maîtrise du français est requise.

Formation et compétences requises :
Une expérience en enseignement est souhaitée.
Expérience dans l’enseignement de l’Intelligence Artificielle serait un plus.

Adresse d’emploi :
Les missions d’enseignement/formation seront assurées sur les
différents campus de l’université, les activités de recherche seront à l’I3S ou à l’Inria.

Document attaché : 202505150911_Fiche de poste Enseignant·e·s contractuel·le·s IA générative EFELIA Côte d’Azur ok-3.pdf

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

Laboratoire/Entreprise : AMSE/IRPHE, Marseille
Durée : 24 mois
Contact : badihghattas@gmail.com
Date limite de publication : 2025-06-30

Contexte :
Researchers in statistics and fluid mechanics are collaborating on developing digital twins that replicate the behavior of CFD (computational fluid dynamics) models.

Sujet :
Substitution of Fluid Mechanics Numerical Models with Deep Learning Models. Applications to Vascular Pathologies

Profil du candidat :
We are looking for a candidate who demonstrates strong autonomy and the ability to work effectively within a collaborative team environment. The ideal candidate will possess excellent analytical and critical thinking skills, as well as a keen ability to listen, observe, and engage constructively in discussions. We also value flexibility, adaptability, and clear communication skills, both written and verbal.

Formation et compétences requises :
A phD in applied Mathematics, artificial intelligence or Mechanics with good skills in programming with python (keras, pytorch, numpy, pandas,…) and data manipulation and management.

Adresse d’emploi :
5-9 Boulevard Maurice Bourdet, 13001 Marseille.

Document attaché : 202505061131_PostDocAnnonceEn.pdf

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

Laboratoire/Entreprise : HCTI, University of Brest, France
Durée : 12 months
Contact : liana.ermakova@univ-brest.fr
Date limite de publication : 2025-07-15

Contexte :
ANR JCJC SimpleText project: Automatic Simplification of Scientific Texts (https://anr.fr/Projet-ANR-22-CE23-0019) in partnership with the University of Amsterdam

Application
If you feel the profile fits you, and you are interested in the job, we look forward to receiving your application. Job applications should be sent to liana.ermakova@univ-brest.fr. We accept applications until and including 13 July 2025.

Applications should include the following information:

– A detailed CV including the months (not just years) when referring to your education and work experience;

– A letter of motivation explaining how the project is related to your research background;

– A list of publications (in case of joint authorship, please clearly indicate your own contribution);

– The thesis;

– The names, affiliations, and email addresses of two academic referees who can provide details about your academic profile in relation to this position (please do not include any reference letters in your application).

Sujet :
We seek an ambitious and highly talented postdoc to work on the interface of information retrieval (IR) and natural language processing (NLP) models applied to large-scale scientific text corpora. The recruited person will work as part of the ANR JCJC SimpleText project: Automatic Simplification of Scientific Texts (https://anr.fr/Projet-ANR-22-CE23-0019) in partnership with the University of Amsterdam. Our project aims to develop effective and efficient IR and NLP technology for promoting scientific information access and to support non-professionals searching for scientific information in academic literature. Specifically, we deploy large language and foundation models for the RAG (retrieval augmented generation) setup in the context of text simplification. There is considerable flexibility to shape the project to emerging research opportunities and the background and interests of the candidate.

Profil du candidat :
The candidate should have a PhD in AI/NLP/IR and a strong motivation for the project topic.

Formation et compétences requises :

Adresse d’emploi :
HCTI, University of Brest
20 rue Duquesne
29200 Brest
France

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

Laboratoire/Entreprise : IMT Mines Alès (Ecole Nationale Supérieur des Mine
Durée : CDI
Contact : guyot@irit.fr
Date limite de publication : 2025-09-01

Contexte :

Sujet :
Maître de Conférences en Apprentissage Machine et Contrôle de systèmes complexes

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
IMT Mines Alès (Ecole Nationale Supérieur des Mines d’Alès)

Document attaché : 202409050837_fp_-_mdc_ceris_ia_et_ingenierie_fr-2.pdf

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

Laboratoire/Entreprise : CReSTIC / Institut Godinot / Siemens
Durée : 24 mois
Contact : Agnes.Delahaies@univ-reims.fr
Date limite de publication : 2025-09-30

Contexte :

Sujet :
https://crestic.univ-reims.fr/uploads/emplois/Siemens_Post_Doc.pdf

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Université de Reims Champagne-Ardenne (Reims, Troyes)

Document attaché : 202505161710_Siemens_Post_Doc.pdf

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

Laboratoire/Entreprise : ETIS/CY Paris Cergy Université
Durée : 18 months
Contact : aikaterini.tzompanaki@cyu.fr
Date limite de publication : 2025-10-01

Contexte :
The position is funded by the prestigious EU Horizon PANDORA project, A Comprehensive Framework enabling the Delivery of Trustworthy Datasets for Efficient AIoT Operation. The main goal of the project is to contribute towards the creation of a dynamic AI pipeline in the context of IoT applications, focusing on i) the creation of synthetic but trustworthy data, and ii) on the development of AI algorithms for various tasks (from classic classification, regression and anomaly detection, to forecasting and predictive maintenance) taking into account the specific data characteristics of continuous data generation settings and leveraging the domain knowledge when available. Explainability is a fundamental property for rendering the systems reliable, as it can help i) enhance the acceptability of the system by the system experts and further aid in decision making, ii) optimize model performance (time and accuracy) by revealing the actual causes behind predictions, and iii) repair data acquisition processes or model training/updating by exposing errors and/or drifts that may arise through time. The project gathers over 20 academic and industrial partners, with real and challenging use-cases and thus provides a unique opportunity to contribute to cutting-edge research with significant real-world impact.

Sujet :
Subject: Predictive maintenance (PDM) in industrial settings spans from identifying anomalies and categorizing failures in already observed data, to prognostically predicting the Remaining Useful Life (RUL) and the Failure Time (FT) of machines, appliances, etc., in the future. Typically such predictive tasks are implemented using Deep Learning and/or statistical analysis techniques, which may be complex to interpret, while their performance is challenged by multiple sources of errors (sensors’ tuning, aging, failures, etc.) and the non-stationary nature of IoT data streams. In particular, concept drifts can originate from the changes in the underlying data generation mechanism that reflects different states of the monitored system. In this context, the predictive performance of already trained models f(X,Y) (e.g., classification, regression) may start degrading after a certain point in time and hence models need to be adapted at the right frequency. However, not all types of changes in the joint probability distribution P(X,Y) have the same impact on model performance. In this respect, we need to distinguish between changes in the posterior probability distribution P(Y|X) (i.e., Model drifts) between input features X and the target variable Y, from class-conditioned data distribution changes P(X|Y) (i.e., likelihood drifts) and changes in the distribution of input features P(X) (i.e., covariate drifts). Clearly, not all types of changes of the joint probability distribution $P(X, y)$ influence predictive models in the same way and hence, they require different mitigation actions. In this project we are particularly interested in how data quality and concept drifts affect the performance of PDM tasks such RUL and FT.

Moreover, besides developing performant, robust, and stable FT and RUL prediction algorithms through time, we are also interested in enhancing interpretability of their results. On the one hand, engineers need to know the root causes for a predicted machine failure at a time t in the future, so that they may take the best possible action towards preventing the failure to happen, or replace a machine in time before having to take the system down for replacement of the compromised machine. Such explanations should cover both the time parameter (why a failure will happen after a time interval) and the type of failure (why a specific type of error will happen). On the other hand, fine-grained explanations of the different types of concept drifts can guide data analysts to take timely, and informed actions for adapting the prediction algorithm to the observed concept drift. While explainability has been a major research interest in recent years, explanation methods for concept drift are still in their infancy. Some of the approaches aim for the detection and quantification of drift, its localization in space or its visualization, while others focus on feature-wise representations of drift. In this project, we aim to investigate actionable concept drift explanations, adding in the equation weak and strong signals for failure events. We believe that concept drift explanations constitute a form of actionable explanations responding to both aforementioned expert needs, and thus can be more valuable than standard feature importance explanations.

Profil du candidat :
Responsibilities/Opportunities
Conduct high quality research in Explainable AI in non-stationary settings.
Develop novel algorithms and methodologies for Predictive Maintenance using IoT streams.
Publish in top-tier conferences and journals.
Collaborate with an interdisciplinary team of researchers and industry partners.
Participate in project meetings and contribute to the project’s management.

Formation et compétences requises :
PhD in Machine Learning, AI, Data Science, Statistics, or a related field.
Strong background in at least one of the following: deep learning, continual learning, time series analysis, or predictive maintenance.
Experience with explainable AI (XAI) methods.
Proficiency in Python and relevant ML frameworks (PyTorch, TensorFlow, Scikit-learn).
Excellent publication record in Data management, Artificial Intelligence, Machine Learning, or IoT applications.

Adresse d’emploi :
Equipe DATA&AI – ETIS Laboratory, CY Cergy Paris Université

33 Bd du Port, 95000 Cergy

Document attaché : 202503241752_Post-Doc Position in Explainable AI in Industrial Settings_DATAIA_PARIS.pdf

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

Laboratoire/Entreprise : LIST3N/UTT et Université de Sfax
Durée : 36 mois
Contact : malika.kharouf@utt.fr
Date limite de publication : 2025-06-15

Contexte :
Cette thèse vise à développer une approche d’analyse spectrale des graphes de Barabasi- Albert (BA) à l’aide de la théorie des matrices aléatoires et à appliquer ces techniques à la médecine personnalisée en radiologie mammaire. L’objectif est d’exploiter les caractéristiques spectrales des réseaux complexes pour améliorer la détection et la classification des anomalies en imagerie médicale, notamment dans le cadre du diagnostic du cancer du sein.

Sujet :
Nous examinerons les propriétés spectrales des graphes BA afin d’extraire des motifs exploitables pour l’analyse des images médicales. La distribution des valeurs propres des matrices d’adjacence sera explorée afin de détecter les schémas structurels caractéristiques des graphes, en mettant en évidence les réseaux fortement connectés susceptibles de refléter des anomalies.
Lien entre signatures spectrales et anomalies médicales:
L’utilisation de la théorie des matrices aléatoires nous permettra de modéliser et de mieux comprendre les variations spectrales associées aux différents types de tumeurs mammaires. En analysant les perturbations dans la structure spectrale des graphes, nous serons en mesure de détecter des motifs anormaux liés aux pathologies médicales.
Développement d’un modèle de fusion multimodale dynamique:
En combinant les informations extraites des graphes avec des techniques avancées d’apprentissage automatique, nous proposerons un système de fusion multimodale adaptatif, capable d’ajuster dynamiquement les données en fonction de leur pertinence clinique. Ce système exploitera les propriétés spectrales pour réduire la redondance et concentrer l’analyse sur
les modalités les plus informatives.
Techniques de détection et d’intelligence artificielle:
Nous utiliserons des techniques de détection d’anomalies basées sur l’analyse spectrale et l’intelligence artificielle, telles que les autoencodeurs variationnels et les réseaux neuronaux profonds. Ces approches permettront d’améliorer la capacité du modèle à différencier les images normales et anormales, en exploitant les signatures spectrales extraites.
Validation clinique du modèle:
Notre approche sera validée sur des données hospitalières réelles issues du CHU de Sfax, permettant une vérification rigoureuse des performances du modèle et de son utilité clinique. L’impact de notre modèle sur l’optimisation des protocoles de diagnostic sera également examiné.

Profil du candidat :
Master 2 Mathématiques Appliquées, spécialisé en Statistique, ou formation équivalente de type école d’ingénieurs. Des compétences en informatique et logiciel de statistique sont fortement souhaitées (Python et/ou R).

Formation et compétences requises :
Master 2 Statistique ou équivalent école d’ingénieurs

Adresse d’emploi :
Université de technologie de Troyes et université de Sfax

Document attaché : 202505160654_ThèseStat-Cotutelle-UTT-Sfax.pdf

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

Laboratoire/Entreprise : GREYC UMR 6072
Durée : 36 mois
Contact : abdelkader.ouali@unicaen.fr
Date limite de publication : 2025-06-15

Contexte :
Cf. document attaché

Sujet :
Cf. document attaché

Profil du candidat :
Cf. document attaché

Formation et compétences requises :
Cf. document attaché

Adresse d’emploi :
Université de Caen Normandie (Caen, Normandy, France: GREYC, Campus Côte de Nacre).

Document attaché : 202505060848_GMLAS-PhD-25.pdf

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

Laboratoire/Entreprise : LIST3N
Durée : 3 ans
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2025-06-24

Contexte :

Sujet :
voir le descriptif de la thèse “High-dimensional learning for automatic and robust target detection in hyperspectral imagery” dans le fichier attaché

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Université de Technologie de Troyes

Document attaché : 202504241217_PhD_target_detection_hyperspectral_imagery.pdf

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

Laboratoire/Entreprise : GREYC (Caen) ou CARMeN(Rouen) ,à discuter avec le
Durée : 3 ans
Contact : luc.brun@ensicaen.fr
Date limite de publication : 2025-06-30

Contexte :
Les laboratoires GREYC (Informatique) et CARMeN (chimie théorique) collaborent dans le cadre d’une bourse de thèse CNRS entre les instituts de chimie et d’informatique, L’accueil principal du doctorant pourra être discuté avec ce dernier la thèse se déroulant de toute façon dans le cadre d’une collaboration étroite entre les deux laboratoires. La bourse de thèse permet de financer outre le salaire du doctorant, un certain nombre de frais annexes tels que des déplacements.

Sujet :
La prédiction de liaisons non covalentes dans une molécule est un processus complexe qui nécessite de calculer l’évolution de la position de chacun des atomes des celle-ci au cours du temps. Ce processus peut être effectué à l’aide de logiciel de chimie quantique très coûteux en calcul, ce qui limite ce type de prédiction à des jeux réduits de petites molécules.

L’objet de la thèse est de concevoir des méthodes de prédiction plus efficace en remplaçant l’étape de simulation par une étape d’apprentissage à l’aide d’apprentissage profond sur graphes.

Profil du candidat :
Diplômé d’un diplôme d’ingénieur ou d’un master en informatique, l’étudiant doit être à l’aise en programmation python et dans la lecture d’articles avec un contenu scientifique. Il devra également être autonome et approfondir de lui-même les pistes de recherche qui lui seront indiquées. On s’attend à ce qu’il soit force de proposition au terme de la première année de thèse.

Formation et compétences requises :
Diplômé d’un diplôme d’ingénieur ou de master en Informatique avec une spécialisation en apprentissage profond. Des compétences en graphes et des bases en chimie seraient appréciées sans être des prérequis.

Adresse d’emploi :
GREYC
6 boulevard du Maréchal Juin,
14050 Caen

ou

Laboratoire COBRA
Bâtiment IRCOF – 1, rue Tesnière
76821 Mont-Saint-Aignan cedex

À discuter avec l’étudiant

Document attaché : 202504031311_these_rouen.pdf

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

Laboratoire/Entreprise : CRIStAL / Univ. Lille
Durée : 36 months
Contact : jenny.sorce@univ-lille.fr
Date limite de publication : 2025-06-30

Contexte :
This PhD thesis proposal focuses on improving galaxy cluster mass estimation to enhance cosmological parameter inference, in order to address critical challenges such as the S8 cosmological parameter discrepancy. By leveraging multi-wavelength observations, advanced statistical techniques including Bayesian inference and machine learning to solve this inverse problem, the project aims to refine relations between the cluster mass and their observable properties, reduce data dimensionality, and efficiently process large datasets. Anticipated outcomes include innovative Bayesian hierarchical models, optimized data reduction algorithms, and a robust inference pipeline for generating a high-fidelity galaxy cluster mass catalog towards testing cosmological models.

Sujet :
The standard cosmological model successfully describes the Universe’s large-scale structure and evolution. Observational evidence, including the cosmic microwave background (CMB) and the hierarchical distribution of galaxies in the cosmic web, provides strong support for this model. These data suggest that dark matter and dark energy dominate the Universe, together constituting approximately 95% of its total content.
Despite its success, this model faces challenges. For instance, the value derived for the S8 parameter, which characterizes the matter distribution on certain scales, differs by three standard deviations when using galaxy cluster counts instead of CMB observations. Resolving this tension is critical to determine whether new physics theories are required, or systematic errors in data analysis pipelines need to be accounted for.
Galaxy clusters are a key tool to address these challenges. As the largest gravitationally bound structures in the Universe, their number and masses are closely related to the underlying cosmology. Accurately estimating their masses and number across diverse environments and redshifts is essential to test the standard model and refine our understanding of the Universe.
This PhD project focuses on developing Bayesian hierarchical models to improve the estimation of galaxy cluster masses. By leveraging multi-wavelength observations, advanced data reduction, and machine learning techniques, this research will provide more precise mass estimates, refine scaling relations, and facilitate the inference of cosmological parameters from large datasets.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq

Document attaché : 202503181504_main.pdf

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

Laboratoire/Entreprise : LIFAT (Laboratoire d’Informatique Fondamentale et
Durée : 3 ans
Contact : frederic.rayar@univ-tours.fr
Date limite de publication : 2025-06-30

Contexte :
Cette offre de thèse s’inscrit dans le cadre du projet « Fact Checking » mené depuis 2021 entre le laboratoire LIFAT et l’équipe PRIM (chercheurs en Science de l’Information et de la Communication). Le fact checking, ou vérification de fait, consiste à vérifier la véracité des faits présentés dans les médias par des personnalités publiques ou autres organisations.

De nombreux travaux de recherches ont été et sont en train d’être menéspour répondre à l’enjeu majeur de la désinformation, notamment depuis l’avènement des technologies de deep-fake et d’IA génératives. Ce phénomène de désinformation massive est observable dans plusieurs domaines : on peut citer en particulier la sphère politique (« political discourse »), le changement climatique ou encore le domaine de santé (« COVID-19 misinformation »).

Cette thèse vise à la conception et à l’évaluation de nouvelles techniques de détection multimodale (vidéo, image, audio, texte) dans du contenu multimédia (vidéo, audio).

Sujet :
Cette thèse vise à la conception et à l’évaluation de nouvelles techniques de détection multimodale (vidéo, image, audio, texte) dans du contenu multimédia (vidéo, audio).

Pour ce faire, la thèse explorera l’utilisation de concepts d’IA à différents niveaux « Audio-visual Active Speaker identification » (ASD), « Multimodal Named Entity recognition » (MNER), « Retrieval-Augmented Generation » (RAG), etc., et l’exploitation d’une base de données de fait vérifiés existante (base de données issue de travaux précédents ou benchmark existants).

Par ailleurs, compte-tenu de l’impact sociétal de ces travaux, un fort accent sera mis sur l’explicabilité des algorithmes multimodaux proposés, en agrégant différentes solutions : récupération d’information tierces via la recherche d’information, génération textuelle, visualisation d’élément saillant dans les images/vidéos, isolation des séquences d’intérêt dans les pistes audio/vidéos, etc.

Enfin, durant la réalisation de ces travaux de recherche, il s’agira aussi de tenir compte des verrous théoriques et empiriques de l’acception des citoyens d’un tel outil via les notions d’interactions avec les outils développés, et de visualisation interactive et d’ergonomie. Ces aspects seront abordés via une collaboration avec des chercheurs en sciences de l’information et de la communication ou des journalistes et fact-checkers.

Profil du candidat :
M2 en informatique ou diplôme d’ingénieur
Bonnes connaissances en Machine Learning et Intelligence Artificielle
Bonnes connaissances en programmation indispensables
Des compétences en développement web sont souhaitables
Bonnes capacités de communication et de rédaction, en particulier en anglais

Formation et compétences requises :

Adresse d’emploi :
Laboratoire d’Informatique LIFAT
Équipe RFAI (Reconnaissance des Formes et Analyse d’Images)
64 avenue Jean Portalis – 37200 – Tours

Document attaché : 202502101508_2025_PhD_lifat_v3.pdf

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

Laboratoire/Entreprise : GREYC UMR 6072
Durée : 3 ans
Contact : bruno.cremilleux@unicaen.fr
Date limite de publication : 2025-06-30

Contexte :
Cf. document attaché

Sujet :
Cf. document attaché

Profil du candidat :
Cf. document attaché

Formation et compétences requises :
Cf. document attaché

Adresse d’emploi :
Université de Caen Normandie (Caen, Normandy, France: GREYC, Campus Côte de Nacre) :

Document attaché : 202504291608_TheseXAIforGraphDataAugmentation_EpitaGREYC.pdf

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

Laboratoire/Entreprise : GREYC UMR 6072
Durée : 36 mois
Contact : abdelkader.ouali@unicaen.fr
Date limite de publication : 2025-06-30

Contexte :
Cf. document attaché.
See attached document.

Sujet :
Cf. document attaché.
See attached document.

Profil du candidat :
Cf. document attaché.
See attached document.

Formation et compétences requises :
Cf. document attaché.
See attached document.

Adresse d’emploi :
Université de Caen Normandie (Caen, Normandy, France: GREYC, Campus Côte de Nacre).

Document attaché : 202505042125_FIDD-PhD-25.pdf

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

Laboratoire/Entreprise : IRISA
Durée : 36 months
Contact : tristan.allard@irisa.fr
Date limite de publication : 2025-06-30

Contexte :
This PhD offer is funded by the PEPR Cybersecurity IPoP project (https://files.inria.fr/ipop/) and proposed by the Security and Privacy team (SPICY, https://www-spicy.irisa.fr/) from the IRISA institute (https://www.irisa.fr/en) in Rennes, France. The work will be supervised jointly by Tristan Allard (PhD, HDR, https://people.irisa.fr/Tristan.Allard/) associate professor at the University of Rennes, expert in privacy in data intensive systems, and Barbara FILA (PhD, HDR, http://people.irisa.fr/Barbara.Fila/), associate professor at INSA Rennes, expert in formal methods for risk assessment.

The successful candidate will be working at IRISA — the largest French research laboratory in the field of computer science and information technologies (more than 850 people). IRISA provides an exciting environment where French and international researchers perform cutting edge scientific activities in all domains of computer science.

Rennes is located in the West part of France in the beautiful region of Brittany. From Rennes, you can reach the sea side in about 45~minutes by car and Paris center in about 90~minutes by train. Rennes is a nice and vibrant student-friendly city. It is often ranked as one of the best student cities in France. Rennes is known and appreciated for its academic excellence, especially in the field of cybersecurity, its professional landmark, the quality of its student life, the affordability of its housing offer, its rich cultural life, and much more.

Sujet :
Context and goal

Health data, social networks, electricity consumption… Vast quantities of personal data are collected today by private companies or public organizations. Various legal, monetary, or visibility incentives push data holders to envision sharing versions of the collected datasets that provide both statistical utility and privacy guarantees. Indeed, sharing data at large, e.g., as open data, without jeopardizing privacy, is expected to bring strong benefits (strengthening, e.g., scientific studies, innovation, public policies).

Synthetic data generation is a promising approach. First, synthetic data generation algorithms aim at generating datasets that are as close as possible to the original datasets. Either synthetically generated data or the generative models trained over the original data could be shared for supporting elaborate data analysis. Second, substantial progress has been made during the last decade about the privacy guarantees of synthetic data generation algorithms. For example, there exist today synthetic data generation algorithms that satisfy variants of differential privacy, one of the most prominent family of privacy models [2].

However security is a constant race between the attackers and the defenders. A large number of attacks exists and keeps growing [5]. As a result, because of the complex environment in which synthetic data generation takes place (e.g., utility needs, diversity of information sources, diversity of data generation algorithms), analyzing the risks remains hazardous even when strong privacy-preserving techniques are used.

The main goal of this PhD thesis is to design a formal method based approach allowing data holders to analyze the risks related to their synthetic data publication practices.

The main tasks of the PhD student will be to:
– Study the state-of-the-art about attacks on synthetic data generation algorithms (e.g., membership inference attacks [4, 6]) and about relevant formal methods (e.g., attack tree based risk analysis models [3]). We will focus on tabular data and time series.
– Model the full synthetic data generation environment. Most especially, this includes capturing the attackers’ capabilities (e.g., goals [5], background knowledge, computational resources, sequences of steps), the relationships between attackers, the sources of auxiliary information, and the data sharing practices.
– Design efficient algorithms for finding the attacks that illustrate privacy risks, implement them, and evaluate their performance.

In addition to the core tasks of the project, the successful candidate will also contribute to the organisation of competitions where the privacy guarantees of synthetic data generation algorithms are challenged [1] (see, e.g., the Snake1 challenge (https://snake-challenge.github.io)).

References

[1] Tristan Allard, Louis Béziaud, and Sébastien Gambs. Snake challenge: Sanitization algorithms under attack. Proceedings of the 32nd ACM International Conference on Information and Knowledge Management (CIKM ’23), 2023.

[2] Damien Desfontaines and Balázs Pejó. Sok: Differential privacies. Proceedings on Privacy Enhancing Technologies, 2020(2):288–313, 2020.

[3] Barbara Kordy (Fila), Ludovic Piètre-Cambacédès, and Patrick Schweitzer. Dag-based attack and defense modeling: Don’t miss the forest for the attack trees. Comput. Sci. Rev., 13-14:1–38, 2014.

[4] Hongsheng Hu, Zoran A. Salcic, Lichao Sun, Gillian Dobbie, P. Yu, and Xuyun Zhang. Membership inference
attacks on machine learning: A survey. ACM Computing Surveys (CSUR), 54:1 – 37, 2021.

[5] Ahmed Salem, Giovanni Cherubin, David Evans, Boris Köpf, Andrew Paverd, Anshuman Suri, Shruti Tople, and Santiago Zanella-Béguelin. Sok: Let the privacy games begin! a unified treatment of data inference privacy in machine learning. In Proceedings of the 2023 IEEE Symposium on Security and Privacy (S&P ’23), pages 327–345, 2023.

[6] Antonin Voyez, Tristan Allard, Gildas Avoine, Pierre Cauchois, Élisa Fromont, and Matthieu Simonin. Membership inference attacks on aggregated time series with linear programming. In Proceedings of the 19th International Conference on Security and Cryptography (SECRYPT ’22), 2022.

Profil du candidat :
– The candidate must have obtained, or be about to obtain, a master degree in computer science or in a related field.
– The candidate must be curious, autonomous, and rigorous.
– The candidate must be able to communicate in English (oral and written). The knowledge of the French language is not required.
– The candidate must have a strong interest in cybersecurity.
– Skills in machine learning and/or formal methods will be appreciated.

Formation et compétences requises :

Adresse d’emploi :
IRISA Rennes
Campus de Beaulieu, 263 avenue du Général Leclerc
35042 RENNES cedex

Document attaché : 202501201621_PhD_thesis_IRISA_France.pdf

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

Laboratoire/Entreprise : CReSTIC / Institut Godinot / AQUILAB
Durée : 36 mois
Contact : Arnaud.BEDDOK@reims.unicancer.fr
Date limite de publication : 2025-08-31

Contexte :

Sujet :
Cf. document pdf.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
CReSTIC
Université de Reims Champagne Ardenne

Document attaché : 202505121850_Appel_candidature_20250512.pdf

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

Laboratoire/Entreprise : LASTIG, IGN / Gustave Eiffel University
Durée : 3 years
Contact : valerie.gouet@ign.fr
Date limite de publication : 2025-10-15

Contexte :
PhD offer
Indexing and retrieval of visual contents in 3D point clouds at large scale – Application to spatialization
LASTIG Lab / IGN and Gustave Eiffel University / Paris great area, France

All the details: https://agape-anr.github.io/docs/annonce_these_loc2D3D-EN.pdf

Sujet :
At a glance

The thesis project focuses on the spatialization of visual contents (both image and video contents) by the exploitation of 3D references at large scale. Without any a priori about geolocation, the problem is tackled by the retrieval of the most similar elements in the geolocalized reference. As visual content, we consider old photographs and footages made available from cultural institutions, and as 3D reference we exploit LiDAR data mapping the French territory, made available at the country scale by the French mapping agency (IGN). This PhD thesis has the ambition to address two challenging scientific problems: on the one hand, the description, matching and indexing of 2D(+t) and 3D data in a multi-date context where the scene has evolved over time, and on the other hand, the fast retrieval in very large volumes of data. The work will be carried out within the framework of the multidisciplinary project AGAPE, which addresses the discoverability and investigation in spatial iconographic heritage, and gathers seven leading partners specialized in visual and multimodal AI, Multimedia and Human-Computer Interaction as well as in Archives, History and Media.

Keywords

Computer Vision, Artificial Intelligence, Indexing and Retrieval, Vision Languages Models, Image analysis, 3D Point Clouds, Big Data, Geolocalization, Cultural Heritage.

Profil du candidat :
How to apply

Before July 14, 2025, please send to both contacts in a single PDF file the following documents: o A detailed CV
o A topic-focused cover letter
o Grades and ranks over the last 3 years of study
o The contact details of 2 referents who can recommend you

Candidatures which do not respect these instructions will not be considered.

Auditions will be conducted during period July 15-23; decision released no later than July 25.

Formation et compétences requises :

Adresse d’emploi :
IGN-ENSG, Université Gustave Eiffel
6-8 Av. Blaise Pascal, 77420 Champs-sur-Marne
FRANCE

Document attaché : 202506021533_annonce_these_loc2D3D-EN.pdf

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

Laboratoire/Entreprise : ISIR – Institut des Systèmes Intelligents et de Ro
Durée : 36 mois
Contact : patrick.gallinari@sorbonne-universite.fr
Date limite de publication : 2025-12-31

Contexte :
AI4Science is an emerging research field that investigates the potential of AI methods to advance scientific discovery, particularly through the modeling of complex natural phenomena. This fast-growing area holds the promise of transforming how research is conducted across a broad range of scientific domains. One especially promising application is in modeling complex dynamical systems that arise in fields such as climate science, earth science, biology, and fluid dynamics. A diversity of approaches is currently being developed, but this remains an emerging field with numerous open research challenges in both machine learning and domain-specific modeling.

Generative modeling is transforming machine learning by enabling the synthesis of plausible, high-dimensional data across modalities like text, images, and audio. A similarly profound shift is underway in the sciences, where generative deep learning is being leveraged to model complex physical dynamics governed by partial differential equations (PDEs)—especially in cases where traditional simulations are computationally expensive.

The central goal of the PhD project is to investigate whether deep generative architectures—such as diffusion, flow-matching, or autoregressive transformer-based sequence models—can be designed to simulate, generalize, and interpolate physical dynamics across a wide range of parametric and multiphysics regimes. Building on recent advances in neural surrogate modeling, this research will aim to advance generalizable, cross-physics generative modeling.

Sujet :
RESEARCH OBJECTIVES

The overarching research question is: Can we develop generative models that learn structured, physically grounded representations of dynamical systems—enabling synthesis, adaptation, and generalization across physical regimes and multiphysics settings? It unfolds into several complementary directions:

LATRENT GENERATIVE MODELS FOR PHYSICAL DYNAMICS

The objective is to design generative models—such as diffusion, flow-matching, or autoregressive models—that learn compact and interpretable latent representations of spatiotemporal dynamics governed by PDEs. These models should:

• Capture uncertainty and multimodality in solution trajectories.
• Generalize across parametric variations.

LEARNING ACROSS MULTIPHYSICS SYSTEMS

To enable transfer learning across heterogeneous physics, we will explore shared latent representations across families of PDEs:
• Using encode–process–decode frameworks.
• Applying contrastive or multitask training to uncover reusable physical abstractions.
• Designing models invariant to space/time resolution and units.
This direction builds toward foundation-like models that capture generalizable physics priors across simulation families.

FEW-SHOT and IN-CONTEXT GENERALIZATION TO NEW PHYSICS

To support scientific modeling in data-scarce settings, we will develop methods for few-shot generalization such as:
• Fine-tuning latent priors to new PDE systems using limited examples.
• Exploring meta-learning and prompt-based adaptation techniques (inspired by in-context learning in language models).
• Incorporating known physical constraints into the generative process.
The goal is to enable rapid and physically consistent adaptation to previously unseen dynamics with minimal data and supervision.

Profil du candidat :

Computer science or applied mathematics.
Master degree in computer science or applied mathematics, Engineering school.

Formation et compétences requises :
Good programming skills. 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 : 202505191314_2025-05-01-PhD-Description-Generative-models-Physics.pdf

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

Laboratoire/Entreprise : Laboratoire Informatique d’Avignon avec codirect
Durée : 3 ans
Contact : rosa.figueiredo@univ-avignon.fr
Date limite de publication : 2025-12-31

Contexte :
ANR project EVA – EValuating gender policies in academia through the Analysis of scientific collaboration networks.

Sujet :
https://eva.univ-avignon.fr/wp-content/uploads/sites/34/2025/04/offre.pdf

Profil du candidat :
• Master’s degree (or equivalent) in Computer Science, Applied Mathematics, Operations Research, or a related field.
• Strong ability to write and present research clearly.
• Proficiency in Python, R, Julia or C++, with experience in AI and optimization algorithms.
• Good understanding of graph theory, machine learning, and network analysis.
• Ability to work well in an interdisciplinary team.
• Proficiency in English is required, and knowledge of French is an advantage

Formation et compétences requises :

Adresse d’emploi :
LIA, Avignon

Document attaché : 202504251721_offreThesis_EVA.pdf

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

Laboratoire/Entreprise : LISTIC
Durée : 36 mois
Contact : yajing.yan@univ-smb.fr
Date limite de publication : 2025-12-31

Contexte :

Sujet :
Satellite based remote sensing offers a unique source of information to monitor the environnement, with fine spatial resolution, wide coverage and frequent revisit. This enables
addressing the challenge of natural hazard monitoring and forecasting, which has a significant societal impact. The inverse modeling of surface displacement is one of the major techniques of exploring the subsurface feature of volcanoes. The traditional Monte Carlo direct search approaches are
computational resources and time consuming, thus cannot respond to operational needs. We will explore the potential of deep learning in volcanic inverse modeling with Interferometry
Synthetic Aperture Radar (InSAR) for operational monitoring and forecasting of volcanic hazards. The intrinsic ill-posedness of inversions in volcanology and limited amount of labeled InSAR data make this work challenging. We tackle the problem of volcanic model inversion, i.e. to estimate model parameters from surface displacement estimations issued from InSAR by solving an inverse problem. This Ph.D thesis will elaborate on our previous proof-of-concept work where a frugal ResNet model was deployed for the first time to estimate the volume change and depth of a spherical volcanic source (i.e. Mogi) from synthetic InSAR displacement fields. This ResNet model exhibits distinct advantages of computational efficiency over the state-of-the-art Monte Carlo direct search methods. For this thesis, the Ph.D student will use more sophisticated volcanic models (e.g. fracture, numerical boundary element models, etc.) allowing for simulations of displacement fields caused by more complex volcanic sources to further increase the generality of the previously proposed ResNet model. One main effort will be devoted to the improvement of the ResNet model prediction accuracy by increasing training data diversity (e.g. divers SAR
acquisition geometries, near field/far field and multi-resolution measurements) and by elaborating more adapted loss functions corresponding to appropriate model properties to optimize (e.g. combination of a loss function of estimated model parameters and a loss function of the reconstructed displacement field). These two latter actions also help minimize the ill-posedness. Real InSAR displacement measurements related to both intrusion and reservoir type worldwide volcanoes will be used to fine-tune the ResNet model trained by synthetic data for
further validation in real applications.

Profil du candidat :
The Ph.D candidate should have good skills in machine learning. Knowledge in inverse problem or geophysics is appreciated.

Formation et compétences requises :

Adresse d’emploi :
LISTIC, 5 chemin de bellevue, 74944, Annecy-le-Vieux

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

Laboratoire/Entreprise : IMT Atlantique & ENSTA
Durée : 6 mois
Contact : dorian.cazau@ensta.fr
Date limite de publication : 2025-06-30

Contexte :

Sujet :
IA Non‐Supervisée pour le Suivi de la Biodiversité Marine par Acoustique Passive Sous Marine (IANSPAM)

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Brest ‐ IMT Atlantique / ENSTA

Document attaché : 202502101141_Stage IANSPAM.pdf