Posted on

Orange Labs

Offre de thèse aux laboratoires Orange Labs et IRISA (à Lannion) : Deep learning pour l’estimation de l’impact des drones sur un réseau mobile

Résumé

L’objectif de cette thèse est de modéliser et d’évaluer l’impact de trajectoires de drones connectés sur un réseau d’accès radio. Ceci doit se faire en tenant compte des axes routiers et des couvertures cellulaires d’un ou de plusieurs opérateurs. Le but du modèle sera de prendre en compte des trajets prévus de drones pour (1) minimiser l’impact en termes de trafic sur un RAN (radio access network) donné, (2) éviter les interférences entre drones et zones sensibles, et (3) conserver une bonne QoE pour les équipements de l’utilisateur (UE).

Compétences requises  : connaissance des réseaux mobiles, Deep Learning (idéalement PyTorch ou Tensorflow), théorie des graphes, Python, Shell, Matlab serait un plus, bonne communication en anglais à l’oral et à l’écrit, travail en équipe, curiosité et ouverture d’esprit.

Comment candidater ?
https://orange.jobs/jobs/offer.do?joid=112418&lang=FR

Plus de détails :
En Français : détails
En Anglais: détails

Posted on

Université d’Artois

A Ph.D. position in Artificial Intelligence and Machine Learning is open at the CRIL lab. This Ph.D. fellowship shall be funded for 3 years from October 2022.

Title: Learning Interpretable Circuits

Overview: In recent years, there has been a growing interest in the design of statistical learning algorithms for interpretable models, which are not only accurate but also understandable by human users. A related and desirable property is explainability, which refers to the computational ability of predictive models to explain their predictions in intelligible terms.
In this setting, decision trees are of paramount importance, as they can be easily read by recursively breaking a choice into sub-choices until a decision is reached. Although the problem of learning decision trees is NP-hard, several optimization approaches have been proposed for identifying a decision tree that minimizes some regularized risk objective (e.g. [1,2,3]).

Beyond decision trees, various classes of (boolean or arithmetic) circuits are also endowed with interpretability and explainability properties. These models are indeed able to efficiently handle a wide variety of explanation queries, by exploiting the decomposability property on the logical “and’’ gates, and the determinism of “or’’ gates [4]. Well-known classes of interpretable circuits include ordered decision diagrams, affine decision trees, and decomposable negation normal form representations.

Although the problem of learning circuits has been studied in the literature (e.g. [5,6]), very little is known about learning interpretable circuits. The focus of this thesis proposal is to address this issue, by exploring several directions of research. One of them is to identify the learnability of several subclasses of interpretable circuits. Another important perspective is to exploit constraint-based or MILP solvers for extracting optimal – or quasi-optimal – interpretable circuits. Finally, since decision circuits can easily be extended to semi-ring networks, a final topic is to extend results about binary classification to other learning tasks, such as regression or density estimation.  

References:
[1] Nina Narodytska, Alexey Ignatiev, Filipe Pereira, João Marques-Silva: Learning Optimal Decision Trees with SAT. IJCAI 2018: 1362-1368.
[2] Emir Demirovic, Anna Lukina, Emmanuel Hebrard, Jeffrey Chan, James Bailey, Christopher Leckie, Kotagiri Ramamohanarao, Peter J. Stuckey: MurTree: Optimal Decision Trees via Dynamic Programming and Search. J. Mach. Learn. Res. 23: 26:1-26:47 (2022).
[3] Valentina Zantedeschi, Matt J. Kusner, Vlad Niculae: Learning Binary Decision Trees by Argmin Differentiation. ICML 2021: 12298-12309.
[4] Gilles Audemard, Frédéric Koriche, Pierre Marquis: On Tractable XAI Queries based on Compiled Representations. KR 2020: 838-849.
|5] Nathan Linial, Yishay Mansour, Noam Nisan. Constant depth circuits, Fourier transform, and learnability. FOCS 1989: 574–579.
[6] Eran Malach, Shai Shalev-Shwartz. Learning Boolean Circuits with Neural Networks. CoRR abs/1910.11923 (2019).

Profile: The candidate should have a Master or similar degree in computer science. As the thesis proposal lies at the intersection of explainable artificial intelligence, combinatorial optimization, and machine learning, the candidate should have a strong background in some of these topics.
Contacts: Frederic Koriche (koriche@cril.fr), Jean-Marie Lagniez (lagniez@cril.fr) and Stefan Mengel (mengel@cril.fr).

Posted on

Télécom Paris

Dear all,

We have multiple openings for PhD students, Postdoctoral Researchers and R&D Engineers at Télécom Paris, Institut polytechnique de Paris, in the “Signal, Statistics and Learning (S2A) team. 

All positions are located at Telecom Paris, 19 place Marguerite Perey, 91120 Palaiseau, France.

Start of the positions: October/November 2022 (for PhDs/Engineer), January 2023 for PostDoc

Subject:

The positions will be a part of the ERC Advanced (2022) – HI-Audio (Hybrid and Interpretable Deep neural audio machines)project, which aims at building hybrid deep approaches combining parameter-efficient and interpretable models with modern resource-efficient deep neural architectures with applications in speech/audio scene analysis, music information retrieval and sound transformation and synthesis.

The potential topics include (and are not limited to):

– Deep generative models, adversarial learning

– Attention-based models and curriculum learning

– Statistical/deterministic audio models (signal models, sound propagation models,…)

– Music Information Retrieval software platform development (R&D Engineer position)

Candidate Profile: 

– For the Phd positions: A masters degree in applied mathematics, datascience/computer scienceor speech/audio/music processing is required.

– For the Postdoc position: PhD degree and publications in theory or applications of machine learning, generative modelling, discrete optimal transport or signal processing, ideally with applications to Speech/Audio/Music signals.

– Master internship positions will also be open in early 2023.

Télécom Paris, and the S2A  team:

The S2A team gathers 18 permanent faculties covering a wide variety of research topics including Statistics, Probabilistic modeling, Machine learning, Data science, Audio and social signal processing. On the overall, Télécom Paris’ research counts 19 research teams and covers various domains in computer science and networks, applied mathematics, electronics, image, data, signals and economic and social sciences. Télécom Paris (https://www.telecom-paris.fr/en/home) is a member of IMT (Institut Mines-Télécom), and is a founding member of the Institut Polytechnique de Paris (IP Paris, https://www.ip-paris.fr/en), a world-class scientific and technological institution which is a partnership between five prestigious French engineering schools  with HEC as a key partner.

Application:
– There is no specific deadline. Applications are welcome until all positions are filled.

– In the application, please send a resume, a motivation letter (and full transcript grades for Phd/Engineer positions) to Gaël Richard, firstname.lastname@telecom-paris.fr. At least one reference letter will be asked in a second step.

Posted on

Université de Nantes

Bonjour,

Nous cherchons une candidate ou un candidat pour un sujet de thèse en Intelligence Artificielle / Apprentissage Automatique, pour une application en Santé.
Date de début
 septembre ou octobre 2022
Sujet Les travaux de thèse s’inscrivent dans un contexte fortement interdisciplinaire (IA / Santé). Le but de la thèse est de développer un gestionnaire automatisé de scénarios de simulation d’anesthésies sur un patient digital, pour l’entraînement d’internes et d’infirmiers anesthésistes. Ces scénarios doivent être réactifs aux actions de l’interne ou de l’infirmier en formation. La clé du problème consiste à savoir simuler l’évolution des paramètres physiologiques du patient digital en fonction de l’action déclenchée par la personne en formation ou par le reste de l’équipe médicale (qui est virtuelle). Il faut également savoir prédire la prochaine action de l’équipe médicale (hors personne en formation). On peut tirer parti des données enregistrées lors des anesthésies d’une cohorte de patients réels, opérés pour la même chirurgie, pour prédire l’évolution du patient numérique au fil des actions réalisées sur le patient. Pour chaque patient de la cohorte, nous disposons également de la trace des actions médicales réalisées sur le patient, au bloc opératoire. Ces traces sont utilisées pour prédire la prochaine action à réaliser, au fil d’un scénario. Du point de vue IA, nous sommes donc confrontés à un problème d’apprentissage semi-supervisé à partir de séries temporelles multivariées et de traces d’événements interdépendantes, dans un objectif de prédiction de séries temporelles multivariées à court-terme et en temps réel, et de prédiction du prochain événement.
Description du sujet
ici

Encadrement
Christine Sinoquet (page web), Directrice de thèse, Maître de Conférences HdR en Informatique au Laboratoire des Sciences du Numérique de Nantes / UMR CNRS 6004 et Corinne Lejus-Bourdeau, Professeur des Universités – Praticien Hospitalier, Docteur en Médecine au Service d’Anesthésie-Réanimation chirurgicale du CHU de Nantes / Hôtel Dieu – Hôpital Femme-Enfant-Adolescent, Directeur du Laboratoire Expérimental de Simulation de Médecine Intensive de l’Université de Nantes (LESiMU).
Mots-clés
Intelligence artificielle, santé du futur, patient digital, formation assistée par le numérique, bloc opératoire, anesthésie, simulation, modélisation, apprentissage semi-supervisé, apprentissage profond, séries temporelles, traces d’événements
Profil
Master ou équivalent en Mathématiques ou Mathématiques / Informatique ou Informatique
avec spécialisation en science des données ou probabilités / statistique, ainsi qu’en apprentissage automatique (incluant deep learning de préférence)
–  Compétences théoriques et expérience requises en probabilités / statistiques, mathématiques appliquées, apprentissage automatique
– Si la personne candidate n’a pas d’expérience dans la modélisation par composition de modèles utilisant des réseaux de neurones profonds, qui est l’un des axes d’investigation de la thèse, elle devra en revanche montrer une forte motivation pour s’investir dans ce domaine
– Intérêt pour l’interdisciplinarité (santé)
– Expérience en programmation et bon niveau de programmation
– Bonnes capacités rédactionnelles
– Aptitude au travail en équipe, capacité à rendre compte de l’avancement de ses travaux

Financement Ces travaux de recherche seront financés dans le cadre du projet AIby4 (AIby4). AIby4 est l’un des 22 projets retenus par l’ANR pour son appel ‘‘contrats doctoraux en IA’’ (2020-25). Calendrier de la sélection Envoi du dossier de candidature, contacts et audition (si le profil de la personne candidate le permet) à réaliser avant la date butoir stricte du jeudi 12 mai 2022.

Décision : mi-mai 2022

Pièces à fournir
    – CV détaillé
    – lettre de motivation
    – relevé de notes de Master 1 (avec rang de classement et effectif de la promotion)
    – notes de Master 2 hors stage (avec rang de classement et effectif de la promotion)
    – résumé du stage en cours (entre 2 et 4 pages, références bibliographiques en sus)
    – lettres de recommandation pour l’année en cours
    – coordonnées de personnes référentes (prénom, nom, statut, institution (détailler les sigles le cas échéant), ville, adresse mail, numéro de téléphone)

Questions et envoi des dossiers de candidature (archive zip) à christine.sinoquet@univ-nantes.fr