Postes/PostDocs/CDD
Oct 15 Thu 2026 Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : Centre d’études et de recherche en informatique et
Durée : 16 mois
Contact : faten.atigui@lecnam.net
Date limite de publication : 2026-10-15 Contexte :
La région méditerranéenne est confrontée à des défis majeurs, aggravés par la rareté de l’eau et les effets croissants du changement climatique. Le développement de la production de lait de chamelle apparaît comme une alternative durable à l’élevage laitier bovin conventionnel, très consommateur de ressources (eau/énergie, fourrages, médicaments, etc.), en offrant à la fois résilience et bénéfices environnementaux. Le projet CAMELAIT4MED vise à favoriser la transformation durable de la chaîne de valeur du lait de chamelle grâce à la mise en œuvre holistique de technologies et de pratiques innovantes à différentes étapes de la chaîne de production. Un des objectifs du projet CAMELAIT4MED est le suivi et la promotion du bien-être et de la santé des chameaux grâce à l’adoption de techniques d’élevage de précision. En s’appuyant sur les technologies des capteurs (applications IoT), le projet vise à surveiller la santé, la productivité et le bien-être du troupeau en temps réel, améliorant ainsi les normes de bien-être animal et la productivité comme l’acceptabilité par les populations tout en minimisant l’usage des antibiotiques et le recours au vétérinaire. Ces technologies, couplées à des méthodes d’analyse innovante de données massives visent à extraire des connaissances relatives à la prédiction du stress et des maladies des chameaux.
Le projet mobilise des approches interdisciplinaires associant informatique, science des données, intelligence artificielle et analyse du vivant instrumente. Les données proviennent de capteurs portés ou embarqués, de capteurs environnementaux, de systèmes de suivi automatisés et/ou de bases de données associées aux dispositifs expérimentaux ou de terrain. La diversité des flux, la variabilité temporelle, les variations à l’échelle individuelle et au niveau de l’élevage, la présence de bruit, de valeurs manquantes et d’artefacts de mesure rendent nécessaire la proposition d’approches méthodologiques nouvelles de modélisation et d’analyse prédictive de données massives. Sujet :
Ce projet de post-doctorat vise à développer de nouvelles méthodes de science des données et d’analyse prédictive dédiées au suivi du bien-être et de la santé animale à partir de données issues de capteurs. Les travaux porteront sur la conception d’approches méthodologiques innovantes capables de prendre en compte la complexité des données collectées, notamment leur caractère fonctionnel, multibloc, multiniveau, hétérogène ou incomplet, afin de prédire avec précision différents indicateurs de santé de l’animal tels que la glycémie, le taux de lipides, la pression artérielle ou encore le poids corporel. Le projet comportera également un important volet d’ingénierie des données consacré au développement et à la validation d’une chaîne complète d’ingestion, d’intégration, de synchronisation et de traitement de données provenant de plusieurs capteurs. Cette démarche comprendra la qualification et la préparation des données, l’extraction de caractéristiques pertinentes ainsi que la modélisation de données fonctionnelles et hétérogènes à travers des méthodologies situées à l’interface de la statistique, de l’apprentissage automatique et de l’intelligence artificielle. Enfin, les approches développées seront intégrées dans un prototype d’analyse prédictive qui sera déployé et évalué en conditions réelles afin d’en mesurer la robustesse, la pertinence et les performances pour le suivi de la santé et du bien-être animal. Profil du candidat :
– Doctorat en science des données, intelligence artificielle, informatique ou diplôme équivalent.
– Compétences solides en analyse prédictive, modélisation statistique, apprentissage automatique et exploitation de données hétérogènes et massives, données fonctionnelles, données de capteurs.
– Maîtrise des technologies récentes en science de données et en IA, ainsi que des bonnes pratiques de programmation scientifique et de reproductibilité.
-Capacité à travailler dans un cadre interdisciplinaire et international, avec de bonnes aptitudes de rédaction scientifique en français et en anglais. Formation et compétences requises : Adresse d’emploi :
Laboratoire CEDRIC, Conservatoire national des arts et métiers, 2 rue Conté 75003 Paris 2 Rue conté, 75003 Paris Document attaché : 202609241613_PostDoc_camelait4med.pdf Oct 31 Sat 2026 Offre en lien avec l’Action/le Réseau : DSChem/– — – Laboratoire/Entreprise : Equipe sciences des données de spectrométrie de ma
Durée : 24 mois
Contact : etienne.thevenot@cea.fr
Date limite de publication : 2026-10-31 Contexte :
La création de bases de données de spectrométrie de masse en tandem (MS/MS) est un enjeu majeur pour l’entrainement de modèles d’IA afin de prédire la structure des petites molécules [1]. La constitution de telles bases de données nécessite le développement de workflows computationnels pour planifier les acquisitions, traiter les données, et les formater [2]. Dans le cadre de l’infrastructure de métabolomique (MetaboHUB) et du projet d’IA pour l’élucidation structurale (e-Lucid), de nouvelles données MS/MS multi-modales sont en cours d’acquisition (multiplicité des technologies et des conditions de fragmentation). [1] Rutz,A. et al. (2026) MultiMS2: A curated multi-modal, multi-energy spectral library for metabolomics. Gigascience. https://doi.org/10.1093/gigascience/giag069.
[2] Brungs,C. et al. (2025) MSnLib: efficient generation of open multi-stage fragmentation mass spectral libraries. Nat Methods, 1–4. https://doi.org/10.26434/chemrxiv-2024-l1tqh-v3. Sujet :
L’ingénieur·e sera chargé·e de développer les workflows computationnels haut-débit pour traiter ces données, créer les bases de données et les diffuser dans la communauté. Les workflows incluront notamment les modules de planification des expériences, de recherche des métadonnées associées aux molécules, de traitement des spectres, de leur matching avec les bases de données spectrales publiques, de leur indexation, de leur harmonisation, de leur formatage pour l’IA au sein de bases de données compatibles avec l’entrainement des modèles, et de la diffusion de ces bases de données et des librairies logicielles de traitement dans un contexte FAIR auprès des communautés informatiques et expérimentales. Profil du candidat :
Nous recherchons un·e ingénieur·e bioinformaticien·ne avec une solide formation en programmation Python, traitement des données, gestion de workflow (e.g., Nextflow, Galaxy) et bases de données (e.g., PostgreSQL), et si possible une expérience des données de spectrométrie de masse MS/MS. Formation et compétences requises : Adresse d’emploi :
L’équipe Odiscé du CEA Saclay, membre de l’infrastructure nationale de métabolomique MetaboHUB, est spécialisée depuis plus de 15 ans dans le développement de méthodes en informatique mathématique (traitement du signal, machine learning, chémoinformatique, gestion de workflows) et de librairies logicielles innovantes en sciences des données de spectrométrie de masse pour la métabolomique de population. Les données et algorithmes sont mis à disposition de la communauté notamment grâce à une suite logicielle, également disponible sous Galaxy/Workflow4Metabolomics. Document attaché : 202609220809_Offre-CDD-CEA_Ingenieur-des-donnees-de-spectrometrie-de-masse-pour-elucidation-structurale_Thevenot_v4.pdf Nov 18 Wed 2026 Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : Laboratoire Informatique et Société Numérique (LIS
Durée : 12 mois (renouvelabl
Contact : babiga.birregah@utt.fr
Date limite de publication : 2026-11-18 Contexte :
Le projet MobileGuard®, soutenu par le Programme de Transfert au Campus Cyber (PTCC), vise à développer
un module MTD (Mobile Threat Defense) innovant pour l’anticipation et la détection des menaces sur les
terminaux mobiles en entreprise. Porté par l’Université de Technologie de Troyes (UTT) et l’entreprise Mobile
Process, ce projet s’inscrit dans une démarche de renforcement de la cybersécurité souveraine en France.
L’objectif est d’intégrer des algorithmes prédictifs et explicatifs dans une solution MDM (Mobile Device
Management) existante, afin de détecter proactivement les risques de compromission des données ou des
applications et d’automatiser des réponses adaptées. Sujet :
Missions
Dans le cadre de ce projet, l’ingénieur(e) recruté(é) sera amené(e) à :
• Concevoir et développer un outil de collecte des données des terminaux nomades (identification des
données complémentaires collectables, développement de l’outil logiciel, validation),
• Analyser les risques et identifier les cas critiques (définition des événements redoutés, analyse des
risques, proposition de mesures de réduction),
• Mettre en place des algorithmes de détection d’anomalies (détection comportementale, intelligence
artificielle, tests et validation),
• Assurer l’intégration du module MTD à la solution MDM de Mobile Process, les expérimentations et la
validation du module,
• Collaborer avec les équipes de Mobile Process et de l’UTT pour garantir une solution robuste, explicable
et adaptée aux contraintes opérationnelles (souveraineté, frugalité, respect de la vie privée). Profil du candidat :
Profil recherché
• Formation : Diplôme de niveau BAC+5 (école d’ingénieur, master) ou doctorat en informatique, data
science, cybersécurité, ou domaine connexe.
• Expérience : Expériences significatives en traitement de données, en apprentissage automatique et en
développement d’algorithmes. Formation et compétences requises :
Compétences recherchées
Nous recherchons un(e) ingénieur(e) ou post-doctorant(e) en Data Science, avec une expertise avérée dans les
domaines suivants : Compétences techniques
• Connaissances en cybersécurité (audit, risques et conformité), en analyse comportementale des
terminaux mobiles et en détection d’anomalies,
• Maîtrise des langages de programmation : C++ (atout), Java, Python, Javascript, React,
• Maîtrise des bases de données : MySQL, PostgreSQL,
• Expérience en gestion de données (gouvernance, sécurité, habilitation, rôles et droits),
• Connaissances en statistiques avancées, en modélisation mathématique et IA,
• Connaissances en Mobile Device Management (MDM) et en sécurité des systèmes mobiles (Android),
• Connaissances en conception d’indicateurs (KPI) et de tableaux de bord. Compétences transversales
• Capacité à travailler en équipe pluridisciplinaire (recherche académique et développement industriel),
• Bonne capacité de rédaction (publications scientifiques, rapports techniques),
• Maîtrise de l’anglais technique (lu, écrit, parlé). Qualités attendues
• Rigueur et méthodologie dans la conduite des travaux de recherche et développement,
• Esprit d’équipe et capacité d’adaptation dans un environnement dynamique,
• Curiosité scientifique et envie d’apprendre dans un domaine en constante évolution,
• Sens de l’autonomie et de l’organisation pour respecter les échéances et les livrables du projet,
• Éthique professionnelle et respect des règles de confidentialité (RGPD, propriété intellectuelle). Candidature
• Le dossier devra comprendre un CV, une lettre de motivation et des exemples de réalisations (portfolio-
GitHub ou autre).
• Les candidatures devront être adressées avec pour objet « Candidature Projet MobileGuard® » avant le
30 septembre 2026 à contact@mobileguard.fr
• En raison des délais de recrutement, cette offre s’adresse aux personnes disposant déjà des autorisations
nécessaires pour un CDD en France à la date de prise de poste. Aucune nouvelle procédure d’autorisation
et de visa ne pourra être engagée. Adresse d’emploi :
Université de Technologie de Troyes 12, rue Marie Curie
CS 42060 – 10004 Troyes Cedex Tél. : (+33) 03 25 71 58 69 Document attaché : 202607310852_mobileguard_offre_emploi_ingenieur.pdf Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : LITIS Lab, Rouen Normandie
Durée : 1 year (with possibi
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2026-11-18 Contexte :
If you are interested, please send your CV with contact references in a motivational email to paul.honeine@univ-rouen.fr. Location: LITIS Lab, Rouen Normandy Expected starting date: 2026 or 2027 (flexible). Duration: 12 months with possibility of extension Sujet :
Post-doc or research engineer on the topic Hyperspectral Foundation Models for Chemical Soil Analysis, within the ANR project HyFoundationS Profil du candidat :
We are seeking a highly motivated candidate for a postdoctoral position or research engineer role, with a strong interest in AI for science. The candidate must have a PhD in AI, computer science, computational mathematics, signal and image processing, applied physics, remote sensing, geosciences, or a related field. The candidate must have solid technical skills in deep learning, with experience in Python and the common ML libraries. Expertise in hyperspectral imaging is not necessary. Formation et compétences requises : Adresse d’emploi :
LITIS Lab, Rouen Normandy Document attaché : 202607311353_PostDoc_HyFoundationS.pdf Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : LITIS Lab, Rouen
Durée : 1 year
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2026-11-18 Contexte : Sujet :
Anomaly detection is a challenge in itself. The capacity to detect anomalies is a major ingredient of safe and trustworthy AI systems across major application areas. Anomaly detection is unsupervised by nature, since abnormal events are rare, varied, and cumbersome to collect. Conventional methods can be roughly grouped into three interconnected categories: discriminative decision boundaries using one-class classification, reconstruction models that test any new sample by measuring its reconstruction error on a manifold or with prototypes, and probabilistic models based on density or level-set estimation. The major deep anomaly detection methods fall within these categories, redefined in a latent space generated by deep representation learning, such as deep one-class, autoencoders, generative adversarial networks, and self-supervised learning [1, 2].
The challenge is higher for anomaly detection in time series (i.e., temporal data), and it is even harder when it comes to online detection, namely in the context of streaming data [3, 4, 5]. When dealing with time series, temporal continuity is central to defining the “normality”, and thus to identifying and detecting anomalies. Time series may have specific characteristics such as seasonality, periodicity/cycles, trend, concept drift, recurrent concept drift, cyclo-stationarity, and non-stationarity, as well as modalities at multiple temporal scales.
This post-doc fellowship aims to provide novel advances in anomaly detection in time series, mainly focusing on the even harder online detection, namely in the context of streaming data. For this purpose, the post-doc fellow may address one of the two online detection formalisms, which arise depending on whether the anomaly is short-term or persistent:
– Point anomaly detection, namely, one seeks to detect whether each new sample is an anomaly. Anomalies may not be restricted to isolated samples, but can also form a group or sequence of points (often called collective anomalies).
– Change point detection (also denoted concept drift), namely, one seeks to identify, as early as possible, whether the recent samples have deviated significantly from the historical ones. Investigated tools for comparing before/after distributions can be from change point detection literature or from recent advances in optimal transport.
This post-doc fellowship is an integral part of the global project ODD (Online Deep anomaly Detection). Led by the LITIS Lab, the ODD project brings together several PhD students and post-doc fellows, as well as several permanent researchers from the Machine Learning group of the LITIS Lab. This project tackles a wide spectrum of signal scenarios to demonstrate the versatility of the proposed methods. The post-doc fellow will have the possibility to tackle signals in environmental science (including a startup collaboration), signals in industrial processes (including industrial and international collaborations), and medical signals/images (including a novel startup collaboration). [1] Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., … & Müller, K. R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756-795.
[2] Pang, G., Shen, C., Cao, L., & Hengel, A. V. D. (2021). Deep learning for anomaly detection: A review. ACM computing surveys (CSUR), 54(2), 1-38.
[3] Boniol, P., Liu, Q., Huang, M., Palpanas, T., & Paparrizos, J. (2024). Dive into time-series anomaly detection: A decade review. arXiv preprint arXiv:2412.20512.
[4] Jia, X., Xun, P., Peng, W., Zhao, B., Li, H., & Shen, C. (2025). Deep anomaly detection for time series: A survey. Computer Science Review, 58, 100787.
[5] Zamanzadeh Darban, Z., Webb, G. I., Pan, S., Aggarwal, C., & Salehi, M. (2024). Deep learning for time series anomaly detection: A survey. ACM Computing Surveys, 57(1), 1-42. Profil du candidat :
We are seeking a highly motivated candidate for a postdoctoral position, with a PhD in applied mathematics, machine learning, advanced statistics, computational mathematics, computer science, AI or related fields. The candidate must have solid technical skills in deep learning and advanced optimization, with experience in Python and the common Machine Learning libraries. Interested candidates are invited to apply with their CV and contact references by email to paul.honeine@univ-rouen.fr. Starting date: when available in 2026 or 2027 (flexible). Duration: 12 months Formation et compétences requises : Adresse d’emploi :
LITIS Lab, Rouen Normandy Document attaché : 202608011519_PostDoc_ODD.pdf Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : Laboratoire des Sciences du Numérique de Nantes (L
Durée : 13 mois
Contact : christine.sinoquet@univ-nantes.fr
Date limite de publication : 2026-11-18 Contexte :
Pour résoudre le problème national majeur lié au manque de ressources médicales en anesthésie-réanimation, les équipes universitaires de cette spécialité forment de plus en plus d’internes. La formation repose partiellement sur la simulation. Le besoin de scénarios diversifiés et réalistes au sein de la plateforme de simulation en médecine intensive de Nantes Université (LE SiMU), et l’opportunité offerte par une grande base de données anesthésiques jusqu’alors inexploitée au sein du CHU de Nantes, a conduit à débuter en 2019 une collaboration à l’interface santé / informatique. Le CHU de Nantes, la plateforme de simulation en médecine intensive de Nantes Université (LE SiMU) et le Laboratoire des Sciences du Numérique de Nantes (LS2N / UMR CNRS 6004) collaborent ainsi depuis 2019 sur un projet de simulation d’un patient numérique sous anesthésie. En aval des avancées scientifiques obtenues, l’Ingénieur.e qui sera recruté.e sur le projet SIMPHONIA aura la charge de réaliser ce simulateur. Ce dernier sera réactif aux actions d’un utilisateur et d’une équipe médicale virtuelle. Sujet :
Le projet SIMPHONIA produira un simulateur de patient virtuel réaliste et réactif aux actions d’un utilisateur et d’une équipe médicale virtuelle. Ce simulateur intègrera trois briques logicielles. La première brique est un pipeline de production de modèle de processus à partir des données d’une cohorte de patients. Deuxièmement, un éditeur pédagogique permettra à un formateur de contextualiser à des fins pédagogiques un modèle de processus donné afin d’en faire un support de scénarios de simulation spécifique (par exemple en intégrant un événement critique, ou bien en intégrant des aides à l’utilisateur du simulateur en cas de difficulté de l’utilisateur). Enfin, un modèle de deep learning (possible variante reposant sur une méthode de data mining) gèrera la prédiction en temps réel de l’évolution d’un patient numérique réactif à des actions médicales. La prédiction de la prochaine action médicale à réaliser par un agent autre que l’utilisateur du simulateur pourra être réalisée grâce au modèle de processus propre à la chirurgie concernée. Les briques logicielles seront réutilisées pour implémenter le concept de jumeau numérique de patient sous anesthésie (modèle de processus, modèle de deep learning). Profil du candidat :
Diplôme de doctorat en informatique avec expérience dans le domaine de la santé, ou doctorat en informatique pour la santé ou doctorat en bioinformatique. Les niveaux Bac+5 avec expérience pourront être considérés. Formation et compétences requises :
Expériences antérieures pour occuper le poste (Ingénieur.e Développement) :
-2/5 ans post-thèse dans le domaine de la santé. Les jeunes docteurs, ou les Bac+5 avec expérience pourront être considérés.
– Expérience pratique et solide en
+ Curation de données médicales multimodales
+ Maîtrise du SGBD PostgreSQL utilisé pour la base de données d’anesthésies de patients au CHU de Nantes
+ Chargement, nettoyage, et transformation de données (Pandas, NumPy)
+ Développement logiciel (Python et C++)
+ Maîtrise du scripting (Une expérience restreinte à Jupyter Notebook n’est pas pertinente pour ce projet).
+ Conception et développement d’un système interactif temps réel capable de communiquer avec les modèles d’IA (Unity / C# ou Unreal Engine C++ / Blueprints ou Godot etc)
+ Conception de tableaux de bord
+ Visualisation et représentation graphique
+ Intégration logicielle de diverses briques logicielles pour une application réactive en temps réel – Expérience appréciée en
+ Modélisation de processus à l’aide d’un graphe (peut être acquis) • Savoir-faire opérationnels :
– Garantie de reproductibilité et de transfert de savoir technique : Git, Conda, Snakemake
– Collaboration avec des équipes pluridisciplinaires, incluant chercheurs et cliniciens, y compris via des séances de visio-conférence
– Capacité avérée d’analyse et de rédaction de documents clairs et précis à communiquer à tous niveaux (rapports d’avancement des travaux, présentation des travaux en cours à l’équipe de recherche d’accueil (équipe DUKe, LS2N Nantes), à l’équipe de recherche partenaire (équipe SIG, Irit Castres) ainsi qu’aux professionnels de santé) • Savoir-être :
– Rigueur et organisation dans la gestion et le maintien des données et codes
– Planification et hiérarchisation des activités, avec une gestion efficace des priorités
– Autonomie et force de proposition dans l’identification et la résolution des difficultés rencontrées
– Capacité d’adaptation aux changements technologiques
– Aptitude au travail en équipe et à la communication avec des interlocuteurs issus de domaines variés
– Respect strict de la confidentialité et des règles de protection des données sensibles – Spécificités du poste
+ Poste basé à la Faculté des Sciences de Nantes Université, au sein du LS2N
+ Bureau partagé avec au plus un autre non permanent
+ Horaires fixes à déterminer avec l’encadrement dans l’amplitude horaire 9H00 – 19H00, 35 heures par semaine
+ Le poste nécessitera par périodes de travailler au CHU de Nantes sur la base de données d’anesthésie – Obligations
+ Documentation rigoureuse des codes écrits.
+ Activité de reporting regulière (hebdomadaire par défaut, plus dense dans les phases de décision et de validation), sans avoir à être relancé.
+ Maîtrise parfaite de l’écrit et de l’oral en français, l’interface du simulateur étant à destination de publics francophones exclusivement, et les tests étant réalisés avec des publics uniquement francophones.
+ Travail en distanciel non autorisé (Point non négociable)
+ La personne recrutée doit pouvoir être joignable par mail, et réactive, pendant les heures de travail (à la fréquence d’une connexion par jour ouvré au moins pour vérifier ses messages électroniques) – Poste destiné à une personne motivée par les projets à fort impact sur la formation de professionnels, ainsi que par les applications destinées au domaine de la santé Adresse d’emploi :
LS2N, Faculté des Sciences et des Techniques, Nantes Université Dec 31 Thu 2026 Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : Centre d’Épidémiologie et de Santé Publique des A
Durée : 3 ans
Contact : gaetan.texier@def.gouv.fr
Date limite de publication : 2026-12-31 Contexte : Sujet :
Descriptif synthétique du poste Le chercheur réalise des études statistiques afin d’accompagner la prise de décisions stratégiques en épidémiologie et santé publique. Pour cela, il pilote la constitution de bases de données complexes, exploite et valorise les données à partir de ces bases ou de systèmes d’information dont le système national des données de santé (SNDS). Il coordonne et apporte des conseils méthodologiques pour la mise en œuvre des travaux de recherche, de prédiction et de machine learning et d’IA pour lesquels le CESPA est directement sollicité. Il développe des outils, des processus d’analyse, de prédiction et fournit une expertise méthodologique. La personne recrutée devra concourir à innover, produire et développer des connaissances, assurer leur transfert par l’enseignement, la diffusion scientifique et la formation en vue de contribuer au progrès en matière de santé des militaires. Descriptif des missions
– Réaliser des études à partir de base de données complexes et des enquêtes comprenant l’importation des données, le nettoyage de base de données, les analyses et leurs
valorisations techniques et scientifiques.
– Piloter en tant que référent(e) des analyses de données issues du SNIIRAM/SNDS et d’autres bases médico-administrative du ministère.
– Assurer des travaux de recherche et développement sur de nouveaux outils statistiques, mathématique, en machine learning, en IA dans un but de modéliser de simuler et prédire.
– Apporter son expertise méthodologique et statistiques pour la recherche au sein du SSA (Service de santé des armées) et participer à des études et enquêtes.
– Rédiger des articles scientifiques sur des travaux de recherche et communiquer dans des congrès ou séminaires.
– Participer à l’encadrement d’étudiants en master 1 et 2, ingénieurs, doctorants, internes et praticiens en formations.
– Mettre en œuvre le soutien pédagogique et administratif des formations organisées par le CESPA au profit des personnels du SSA et des militaires de l’OTAN. Profil du candidat :
– Thèse de doctorat de sciences
– 5 ans d’expérience en R&D avec valorisation (au moins 3 publications indexées attendues)
– Expérience en conduite de projet,
– Expert dans l’analyse de données biomédicales (expériences comme chargé d’études statistiques ou biostatisticien), expert sur le logiciel R, python, SAS, pour analyser les
données du SNIIRAM/SNDS.
– Expériences de travail sous forte contrainte temporelle
– Expérience dans l’enseignement serait souhaitable
– Bonne capacité rédactionnelle Formation et compétences requises : Adresse d’emploi :
CESPA, Marseille
|
Offres de thèses
Nov 18 Wed 2026 Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : LITIS Lab, Université de Rouen Normandie
Durée : 36 months
Contact : fannia.pacheco@univ-rouen.fr
Date limite de publication : 2026-11-18 Contexte : Sujet :
See attached file for full description. Keywords:
Self-Supervised Learning, Federated Learning, Time Series, Robustness, Frugal Feature Extraction, Anomaly / Out-of-distribution Detection Supervisors:
Fannia Pacheco (fannia.pacheco@univ-rouen.fr)
Paul Honeine (paul.honeine@univ-rouen.fr)
Maxime Berar (maxime.berar@univ-rouen.fr) Profil du candidat :
We are looking for a highly motivated candidate holding (or about to obtain) a Master’s degree or engineering diploma in applied mathematics or computer science, with a solid background in machine learning and strong programming skills in Python (PyTorch or equivalent). Prior exposure to time-series modeling, federated or distributed learning, self-supervised learning, or anomaly / out-of-distribution detection is appreciated but not required. A good level of English and an interest in both theoretical analysis and rigorous experimentation are strongly recommended.
Applications should include a detailed CV, a cover letter, academic transcripts from the Master’s or engineering’s years, and contact details of one or two references. Formation et compétences requises : Adresse d’emploi :
Rouen Normandie Document attaché : 202607301050_PhD_LITIS.pdf Dec 20 Sun 2026 Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : LITIS, Université de Rouen Normandie, INSA Rouen N
Durée : 3 years
Contact : aleite@insa-rouen.fr
Date limite de publication : 2026-12-20 Contexte :
We are recruiting a PhD candidate at LITIS, Université de Rouen Normandie / INSA Rouen Normandie (France) for a 3-year doctoral project on Verified Causal Reinforcement Learning for Robust Transfer under Distribution Shift. Sujet :
The project lies at the intersection of causal inference, reinforcement learning, transfer/generalization, and formal verification with Lean. It will investigate how invariant causal mechanisms can support robust policy transfer across changing environments and how selected semantic, transfer, and safety properties can be machine-checked. See attached file for the full description. Profil du candidat :
Candidates should hold, or be about to obtain, an M2/Master’s degree or engineering diploma in Applied Mathematics, Computer Science, Data Science, or a related field. Prior experience in RL, causal inference, or Lean is appreciated but not required. Formation et compétences requises : Adresse d’emploi :
Rouen Normandie Document attaché : 202609141134_litis_thesis_proposal_verified_causal_rl.pdf Dec 30 Wed 2026 Offre en lien avec l’Action/le Réseau : SaD-2HN/– — – Laboratoire/Entreprise : Laboratoire d’Informatique de Grenoble
Durée : 3
Contact : camille.bernard@univ-grenoble-alpes.fr
Date limite de publication : 2026-12-30 Contexte :
Human societies rely on geographic information to describe physical (e.g., schools, roads, cycle lanes) or virtual (e.g., administrative zoning) features that constitute their territories. In Geographic Information Science, the representation of such geographic entities is well established. However, representing and contextualizing the changes these entities undergo over time—driven, for example, by urban policies promoting low-carbon mobility—remains a major challenge.
These complex phenomena, also referred to as territorial transformations or spatial-temporal changes, involve one or several geographic entities that evolve at a given time or over a defined period under various pressures. Today, documenting these transformations in a machine-readable and computationally exploitable form is still largely absent.
In urban analysis, geographic databases describe—through standards such as CityGML or other formats—the built environment, transport networks, and urban infrastructure. Some open and collaborative databases such as OpenStreetMap (OSM) are often more up to date than official datasets due to continuous user contributions, thereby indirectly capturing urban evolution. Another more marginal initiative, OpenHistoricalMap (OHM), uses the OSM framework to build an open, editable historical map. However, none of these databases or standards explicitly model or document the changes undergone by geographic entities (e.g., transport networks, streets, cycle lanes, etc.).
Although some datasets, such as the IGN BD TOPO, provide differences between successive versions, these differences do not qualify or semantically describe the nature of the changes. Consequently, monitoring urban evolution remains difficult due to the lack of standards for representing territorial transformations. Yet, adopting a shared vocabulary for describing urban changes would make it possible to quantify them, define indicators of urban evolution, and facilitate comparisons between cities with similar or divergent trajectories.
In response to the lack of structured data describing territorial changes, and the absence of standardized tools for representing such transformations in urban planning and land-use monitoring, the objective of this PhD is to automate the detection and description of territorial changes, and to build temporal sequences of these changes in order to characterize territorial trajectories. These change catalogues will support interoperability between systems and provide a foundation for broader community adoption. They will take the form of Spatiotemporal Knowledge Graphs (ST-KGs), designed according to FAIR principles (Findable, Accessible, Interoperable, Reusable), ensuring accessibility and reuse, notably for digital twins of territories and predictive AI systems aimed at forecasting urban evolution based on historical data. Sujet :
Geographic databases such as OpenStreetMap (OSM) and the IGN BD TOPO are continuously evolving to reflect territorial transformations. Identifying, describing, and characterizing the changes occurring in these geospatial databases over time is a major challenge for understanding and analyzing the evolution of territories.
This PhD is part of the ANR GEvoK project (Geographic Entities Evolution in Knowledge Graphs), which aims at the automatic detection and semantic annotation of geographic changes from heterogeneous data sources, including satellite imagery and collaborative datasets such as OpenStreetMap.
The proposed approach combines artificial intelligence techniques for the automatic detection of temporal changes, Semantic Web technologies for representing and enriching the knowledge derived from these detections, and large language models (LLMs) for querying the resulting knowledge bases and generating natural language narratives describing observed changes. Profil du candidat :
The candidate must hold a Master’s degree in Computer Science, Geomatics, Data Science, or Artificial Intelligence.
• Formation et compétences requises : • Strong knowledge of Python and machine learning (classification, anomaly detection, clustering);
• Knowledge of Semantic Web technologies and knowledge representation (RDF, OWL, SPARQL);
• Basic knowledge of geographic data processing; familiarity with QGIS and spatial data formats (GeoJSON, shapefile, etc.);
• Autonomy, rigor, analytical skills, and interest in hybrid AI / geospatial approaches.
Required level of French: Upper intermediate (B2)
Required level of English: Upper intermediate (B2) Adresse d’emploi :
LIG, Bâtiment IMAG, 700 Av. Centrale, 38401 Saint-Martin-d’Hères Document attaché : 202607031244_offre-these-gevok-26-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 : 2026-12-30 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. This PhD project aims to investigate the next generation of AI models for physical dynamics. The objective is to develop generative world models that learn structured representations of physical systems and can efficiently model, predict, and reason about their evolution. The research will focus on applications such as fluid mechanics and climate science while addressing fundamental questions at the intersection of machine learning and scientific computing. Sujet :
The main objective of this PhD is to develop generative world models for physical dynamics that combine scalability, uncertainty modeling, and scientific consistency. The research will explore several complementary directions: Learning transferable representations of physical dynamics, by developing latent representations that capture the underlying structure of physical systems and can generalize across multiple physical regimes and downstream tasks. Generative modeling of physical trajectories, using recent approaches such as diffusion models, flow matching, and stochastic interpolants to represent uncertainty, multimodality, and long-term evolution of complex dynamical systems. Physically consistent generative models, by integrating physical constraints and scientific priors into generative learning in order to produce solutions that remain both accurate and scientifically valid.
The exact research direction will be adapted to the candidate’s interests and background and may emphasize either methodological developments or applications to scientific domains such as fluid dynamics and climate modeling. Profil du candidat :
Computer science or applied mathematics. Good programming skills. Formation et compétences requises :
Master degree in computer science or applied mathematics, Engineering school. Background and experience in machine learning. Adresse d’emploi :
Sorbonne Université (S.U.), Pierre et Marie Campus in the center of Paris. The candidate will integrate the MLIA team (Machine Learning and Deep Learning for Information Access) at ISIR (Institut des Systèmes Intelligents et de Robotique). Document attaché : 202607061524_2026-05-PhD-Description-Generative-World-models-Physics.pdf
|
