Doctorant sur la Robustesse par construction pour des modèles d’apprentissage frugaux et de confiance (H/F)

Thales

  • Palaiseau, Essonne
  • CDI
  • Temps-plein
  • Il y a 25 jours
QUI SOMMES-NOUS ?Situé sur le campus de l’École polytechnique, au cœur du pôle scientifique et technologique d’envergure mondiale de Paris-Saclay, à Palaiseau, Thales Research & Technology (TRT) France constitue le centre de recherche et technologies français du Groupe Thales, au service des activités mondiales de Thales. Grâce à une politique de partenariat proactive avec le monde académique et un réseau international d’entreprises innovantes, le rôle des équipes de Thales Research & Technology est de proposer aux différentes entités opérationnelles du groupe Thales des innovations de rupture qui seront aussi des différenciateurs techniques ; de maintenir et d’accroître l’avance technologique de ces solutions mais aussi d’en assurer la compétitivité. Les activités de TRT France se situent aussi bien dans le domaine Hardware (Electronique, Optronique, Radiofréquences, semi-conducteurs, science des matériaux etc.), qu’en Algorithmie et Software (Intelligence Artificielle, Big Data, Cybersécurité, Aide à la décision, Optimisation etc.) et en Systèmes (conception architecturale, processus et outils). Thales Research & Technology rassemble plus de 250 ingénieurs de recherche, une 30aine de doctorants ainsi que chaque année, plus d’une soixantaine de stagiaires et de nombreux coopérants. Rejoignez l’aventure !Dans ce cadre nous recherchons un :Doctorant sur la Robustesse par construction pour des modèles d’apprentissage frugaux et de confiance (H/F) Thèse CIFRE
Basé à Palaiseau (91)QUI ETES-VOUS ?De formation bac +5 d’un master 2 en apprentissage statistique (deep learning), mathématiques appliquées et développement logiciel, vous recherchez une thèse ?Votre formation vous a permis d’acquérir des compétences solides dans les domaines suivants :Apprentissage profond (Deep learning)Traitement des signaux et des donnéesThéorie des groupes et mathématiques appliquéesLangage de programmation Python et des librairies de Machine Learning standards (Cuda, Pytorch/Tensorflow)Vous êtes curieux et avez un vrai intérêt pour la recherche appliquée ?Vous avez des bonnes capacités d’appréhension des sujets nouveaux et d’innovation ?Vous êtes autonome et aimez partager de nouvelles idées ?Enfin vous êtes à l’aise en anglais (Niveau C1 attendu) ?Vous vous reconnaissez ? Alors découvrez votre futur sujet de thèse !CE QUE NOUS POUVONS ACCOMPLIR ENSEMBLE :La mise en œuvre d'algorithmes d'intelligence artificielle basés sur des réseaux de neurones à des fins industrielles requiert un niveau élevé de robustesse face à des différentes perturbations des données d'entrée, tout en s'appuyant sur un faible volume de données d'entrainement. Dans de nombreux domaines industriels, les données d'entrainement disponibles sont rares et des techniques d'augmentation de données et d'apprentissage par transfert sont nécessaires pour obtenir une performance acceptable. Cependant, ces techniques sont difficiles à valider, notamment en termes de couverture des perturbations, et manquent de critères théoriques de fiabilité ou de métriques d'évaluation et de caractérisation de la solution.Les méthodes basées sur les réseaux de neurones convolutifs (CNN) sont à la pointe de la technologie dans des applications telles que la classification d'images ou la détection d'objets. Les CNN sont intéressants pour leurs propriétés intrinsèques d'invariance vis-à-vis des translations: ainsi, la classe prédite ne dépend pas de la position de l'objet dans une image (en ignorant les effets de bord). Cette invariance se limite à la translation cependant et ne couvre pas d'autres types de perturbations telles que la rotation, le changement d'échelle, les changements d'éclairage, les attaques adverses ou les combinaisons de ces différents cas de figures. De plus, la sensibilité à de telles perturbations est augmentée dès lors que l'on s'écarte de la géométrie planaire, par ex. pour les images fisheye ou autres types de grands angles, pour lesquelles la projection dans le plan induit des déformations et renforce l'instabilité des modèles.L'objectif de cette thèse est d'explorer et de construire des méthodes robustes pour les réseaux neuronaux, permettant d'obtenir des détecteurs d'objets invariants à différentes échelles ou aux variations de luminosité complexes. Le travail sera basé sur des méthodes récemment introduites, basées sur la théorie des groupes et permettant de généraliser les opérateurs de convolution à d'autres transformations que les translations.Dans ce contexte, vos missions seront les suivantes :Trouver les groupes de symétrie appropriés pour les différentes perturbations,Proposer les implémentations mathématiques et numériques en mettant l'accent sur les garanties théoriques de robustesse ainsi que sur l'évaluation comparative des solutions non équivariantes.Cela inclut des facteurs opérationnels autres que les capacités de prédiction, tels que : la taille du modèle, le temps d'apprentissage et d'inférence, le volume des données d'entrée, les mesures de confiance et la caractérisation des cas particuliersApplication des solutions théoriques et expérimentales à des cas d'utilisation pertinents tels que le traitement d'images aériennes ou de télédétectionThales s’engage pour l’emploi et l’insertion des personnes en situation de handicap. A ce titre, notre établissement Thales Research&Technology France est reconnu Organisme Handi-AccueillantInnovation, passion, ambition : rejoignez Thales et créez le monde de demain, dès aujourd’hui.

Thales