Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : Université dArtois/Centre de recherche en informat
Durée : 18 mois
Contact : wissem.inoubli@univ-artois.fr
Date limite de publication : 2024-12-23
Contexte :
Le Centre de recherche en informatique de Lens (CRIL) le l’équipe FOX de Centre de Recherche en Informatique signal et Automatique de Lille (CRIStAL) recrutent un post-doctorant pour une durée de 18 mois dans le domaine de l’apprentissage profond,
de préférence avec une expertise en apprentissage sur graphes.
Sujet :
Le contexte scientifique se concentre sur les Graph Neural Networks (GNN), un type de réseau de neurones qui a connu une croissance remarquable dans une large gamme d’applications, y compris la vision par ordinateur, la bioinformatique, la finance, la chimie et bien d’autres. Cette popularité découle de leur capacité à identifier des motifs et des caractéristiques complexes, souvent cachés, au sein des données. Cependant, comme d’autres modèles d’apprentissage profond, les GNN font face à des défis liés à l’optimisation des hyperparamètres. En plus de ces défis généraux, les GNN rencontrent des problèmes spécifiques, tels que le phénomène d’over-smoothing. Ce problème survient lorsque des représentations similaires (ou même identiques) sont attribuées à la plupart, sinon à tous, les noeuds du graphe, compliquant ainsi les tâches de classification ou de régression en limitant la capacité du modèle à différencier ou à généraliser entre les noeuds. Au-delà des défis de modélisation et d’optimisation des GNN, d’autres problèmes majeurs se posent lors de l’entraînement de ces modèles, cette fois liés aux données plutôt qu’au modèle lui-même. Ces défis incluent : (i) La complexité algorithmique lors de l’entraînement des GNN, surtout lors de l’utilisation de grands ensembles de données tels que les images hyperspectrales. (ii) Un deuxième défi, bien qu’abordé dans d’autres types de données complexes tels que les images médicales spatio-temporelles 4D.
Les travaux de recherche pour ce poste postdoctoral seront menés conjointement entre les deux laboratoires. L’objectif est de proposer un modèle équitable (FAIR) et distribué pour traiter la complexité algorithmique dans l’apprentissage tout en s’attaquant aux défis sous-jacents tels que la communication, l’équilibrage de charge dans le traitement distribué et la partition des données. Les activités de recherche postdoctorale se dérouleront en quatre phases :
1. Revue de la littérature sur les systèmes d’apprentissage décentralisés et les
méthodes/algorithmes pour l’apprentissage sur graphes.
2. Proposition d’un modèle/architecture distribué pour l’apprentissage sur graphes.
3. Amélioration du modèle proposé pour éviter le biais d’apprentissage.
4. Validation des deux modèles dans des cas d’utilisation : classification d’images à haute
dimension et/ou segmentation sémantique d’images à haute dimension (HSI, IRM, CT, etc.)
Profil du candidat :
La personne recrutée sera titulaire d’un doctorat en informatique (spécialité Intelligence Artificielle et apprentissage profond de préférence), avec des connaissances en systèmes distribués.
Une forte capacité d’interaction : compréhension des besoins et argumentation des choix (à l’oral et à l’écrit) est requise. Des compétences en développement (pytorch, pytorch geometric, etc) sont nécessaires.
Formation et compétences requises :
Adresse d’emploi :
Centre de recherche en informatique de Lens