Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : Laboratoire Hubert Curien
Durée : 1 an
Contact : charlotte.laclau@univ-st-etienne.fr
Date limite de publication : 2019-09-15

Contexte :
Les candidatures sont sollicitées pour une bourse postdoctorale de 12 mois en apprentissage automatique / fouille de données à l’Université Jean Monnet Saint-Etienne, au sein de l’équipe de Data Intelligence du Laboratoire Hubert Curien.
Le poste est financé par l’IDEX Lyon IMPULSION.

Sujet :
L’apprentissage de représentation pour la fouille de graphes représente un défi important. Les données sous forme de graphes sont devenues omniprésentes pour décrire des informations ou des structures complexes. En sciences sociales, les graphes vont ainsi permettre d’étudier les relations et les interactions entre des personnes ; en biologie, on s’intéressera aux graphes pour modéliser les interactions génétiques ou encore les réseaux métaboliques. Or, comparé aux images ou au texte, la structure d’un graphe est très irrégulière rendant l’apprentissage d’une bonne représentation plus difficile. Ce post-doctorat s’articule autour de 2 axes de recherche. La première direction est de s’intéresser au transfert de représentation pour l’analyse de graphes. Dans ce contexte, l’objectif sera de travailler sur l’apprentissage de représentations qui soient, d’une part, spécifiques aux tâches que l’on souhaite résoudre, par exemple la prédiction de lien, la classification de nœuds ou encore la détection de communautés, mais qui exploitent également les dépendances potentielles entre ces différentes tâches. Ce premier axe ouvre naturellement la voie au traitement de graphes dynamiques. Dans ce cas, les graphes sont le plus souvent représentés comme une collection de graphes statiques à différents instants, et pour chaque graphe une nouvelle représentation est systématiquement apprise. L’objectif est de développer un cadre d’apprentissage capable de détecter les changements significatifs dans la structure d’un même graphe, et d’adapter la représentation apprise de manière à transférer les caractéristiques immuables et ainsi à conserver les connaissances déjà̀acquises.

Mots-clés : Machine Learning, Fouille de graphe, Apprentissage de représentation, Apprentissage par Transfert

Profil du candidat :
Le(a) candidat(e) est titulaire d’un doctorat et devra posséder des connaissances solides en apprentissage automatique avec notamment de bonnes bases en apprentissage statistique et en mathématiques. Il devra également avoir un bon niveau en programmation. Le(a) candidat(e) devra aussi posséder un bon niveau d’anglais et avoir à la fois un intérêt pour des aspects théoriques et pratiques.

Formation et compétences requises :
cf. Profil du candidat.

Adresse d’emploi :
Université Jean Monnet, Laboratoire Hubert Curien, équipe Data Intelligence – Saint-Etienne, France

Document attaché : postdoc_offer_1819.pdf