Vous êtes ici : Version Française

Appel à candidature – contrats doctoraux en intelligence artificielle

 

APPEL À PROJETS CLOTURÉ


Dans le cadre du programme IADoc@UdL, lauréat de l’appel à programmes « Contrats doctoraux en Intelligence artificielle » lancé par l’Agence nationale de la recherche en 2019, l’Université de Lyon (UdL) et les établissements partenaires cofinanceront 7 contrats doctoraux pour 36 mois à partir de l’automne 2021.


Déroulement des auditions

Les auditions des candidats présélectionnés auront lieu les 17, 25 et 26 mai 2021. La date et l'horaire, ainsi que la composition du jury dépendent du contrat doctoral pour lequel vous avez candidaté. Tous les détails sont donc précisés sous chaque rubrique ci-dessous.

Chaque audition, organisée en distanciel, durera 30 minutes (10 minutes de présentation + 20 minutes de discussion).

Suite aux auditions, les jurys établiront un classement pour chaque contrat doctoral dont ils ont la charge.


ATTENTION : les horaires sont encore indicatifs et seront ajustés en fonction du nombre de candidatures présélectionnées.

Les 7 contrats doctoraux

 

Sujet de thèse n.1 : Robustesse et fiabilité dans les réseaux de neurones photoniques


#Neural networks, #photonics #artificial intelligence


Encadrants de la thèse : Fabio Pavanello, Alberto Bosio

Laboratoires impliqués : Institut des Nanotechnologies de Lyon (UMR5270)

Résumé du projet :

De nombreux travaux de recherche sont actuellement en cours pour explorer de nouvelles architectures de computation (post Von-Neumann). Plus précisément, les architectures neuromorphiques peuvent offrir des performances supérieures de plusieurs ordres de grandeur en termes d'efficacité énergétique, vitesse de calcul et de latence par rapport aux architectures classiques (CPU/GPU). Plusieurs applications, allant de la technologie 5G et du traitement IoT à la conduite autonome et à la robotique, bénéficieraient grandement de telles solutions.

L'objectif de cette thèse est d’explorer des architectures neuromorphiques basées sur technologies émergentes.

La photonique intégrée sur silicium est considérée comme l'un des meilleurs candidats en raison de son grand potentiel en termes des performances, ainsi que de sa faible consommation d'énergie et de son grand nombre de degrés physiques pour manipuler/encoder l'information (amplitude, polarisation, phase, etc.). De plus, la photonique intégrée sur silicium bénéficie d'un processus de fabrication compatible avec la technologie CMOS, ce qui permet de réduire le cout final de fabrication.

Dans ce contexte, la thèse de doctorat vise à explorer les limites en termes de robustesse et de fiabilité des réseaux neuronaux photoniques.

Description détaillée de la thèse


Auditions : 17 mai 2021
9h-12h30 ; 16h30-19h30

Composition du jury

Sujet de thèse n.2 : Développer des outils d'apprentissage automatique pour reconstruire l'activité spatio - temporelle tridimensionnelle des enhancers au cours de l'embryogenèse de Drosophila melanogaster


#Machine learning #optimal transport #enhancer #gene expression #embryonic development


Encadrants de la thèse : Yad GHAVI-HELM, Paul VILLOUTREIX, Cédric VAILLANT

Laboratoires impliqués : Institut de génomique fonctionnelle de Lyon (UMR 5242), Laboratoire de physique de l’ENS de Lyon (LPENSL) ( (UMR5672), Laboratoire d'informatique et systèmes (LIS) (UMR7020) à Marseille

Résumé du projet :

Ces dernières années, les algorithmes d'apprentissage automatique ont été de plus en plus appliqués aux sciences basées sur les données telles que la génomique, et se sont avérés particulièrement pertinents pour donner un sens à la richesse des données générées par les techniques de génomique dans le domaine de la biologie du développement.

Dans ce projet interdisciplinaire, nous proposons d'utiliser une méthode d'apprentissage non supervisée pour étudier la régulation de l'expression des gènes au cours de l'embryogenèse de la drosophile.

Plus spécifiquement, nous adapterons une méthode basée sur le cadre mathématique du transport optimal pour reconstruire l'activité spatio-temporelle des enhancers. Nous développerons ensuite un atlas 3D interactif de l'activité des enhancers et de l'expression des gènes pour visualiser les résultats et utiliserons ces données pour améliorer la prédiction du ou des gènes cibles des enhancers.


Description détaillée de la thèse
 

Auditions : 26 mai 2021
14h00-17h30


Composition du jury

en l'absence de D. Maucort-Boulch

Sujet de thèse n.3 : Gestion de l’accès massif pour les réseaux de communication IoT, par apprentissage orienté données

#Reinforcement learning #6G #ML-based wireless networks


Encadrants de la thèse : Jean-Marie GORCE, Malcolm EGAN

Laboratoires impliqués : Centre of Innovation in Telecommunications and Integration of service (CITI) (EA 3720)

Résumé du projet :

L’association de l’apprentissage machine et des communications sans fil est un sujet qui a émergé au début des années 2 000, sous le couvert du paradigme de la radio cognitive. Cependant, les récents progrès de l’apprentissage profond, de l’apprentissage par renforcement et de l’apprentissage fédéré ont ouvert de nouvelles perspectives très prometteuses au cours des 5 dernières années pour les futurs standards de communications radio.

L’accès massif pour les communications machine est un setup typique où les contraintes fondamentales comme la latence, la fiabilité, ou les débits sont très complexes à garantir sous des contraintes raisonnables d’énergie et de bande passante. L’approche classique pour optimiser les communications radio met en œuvre la conception de protocoles multi-couches qui satisfont des compromis entre les différentes contraintes, sur la base des contraintes de service.

Cependant, ces contraintes évoluent et rendent ces protocoles périmés. Concevoir des protocoles pour l’accès massif capable de s’auto-adapter aux évolutions des contraintes est une des challenges les plus importants pour la 6G. Cette thèse va explorer les solutions algorithmiques au problème de l’accès multiple pour conduire à des algorithmes d’ordonnancement et d’allocation de ressources guidés par les données, et capables de prendre en compte les dépendances statistiques complexes des données transportées et des réseaux variant dans le temps.

Description détaillée de la thèse


Auditions : 17 mai 2021
9h-12h30 ; 16h30-19h30


Composition du jury

Sujet de thèse n.4 : Clustering de données mixtes temporelles pour la modélisation d’enquêtes longitudinales

#Ordinal data #categorical data #textual data #model based clustering #dynamic model


Encadrants de la thèse : Julien JACQUES, Isabelle PRIM-ALLAZ

Laboratoires impliqués : Laboratoire ERIC (UR 3083), Laboratoire COACTIS (UR4161)

Résumé du projet :

Dans de nombreux domaines des sciences humaines et sociales, les études sont basées sur des questionnaires remplis par les participants, souvent répétés dans le temps. Les données fournies par la réponse des participants sont de nature différente, généralement citées comme des données mixtes dans la littérature (données catégorielles nominales ou ordinales, données quantitatives, données textuelles). De plus, ces données mixtes disposent ici d’une composante temporelle qu’il sera nécessaire de prendre en compte.

L'objectif de la thèse de doctorat est de proposer un nouveau modèle d'apprentissage automatique non supervisé (clustering) capable d'extraire des comportements typiques des ensembles de données mixtes temporelles. Ainsi, l'analyse des données ne sera plus basée sur l'observation des réponses individuelles aux questionnaires, mais sur les synthèses fournies par les clusters qui regroupent des ensembles de participants qui ont la même évolution des réponses dans le temps. Ces informations sont essentielles pour l'analyse des données du point de vue des sciences humaines et sociales.

Si des travaux existent déjà pour analyser des ensembles de données mixtes, notamment dans un cadre de modélisation probabiliste, deux grands défis scientifiques subsistent : "comment gérer le poids des différents types de données ?", "Comment modéliser l'évolution temporelle ?". Le but de la thèse de doctorat est d'apporter des solutions à ces deux questions.

Description détaillée de la thèse


Auditions : 26 mai 2021
14h00-17h30


Composition du jury

en l'absence de D. Maucort-Boulch

Sujet de thèse n.5 : Apprentissage fédéré pour l’analyse de données d’imagerie médicale

#federated machine learning #healthcare #privacy and security #medical imaging


Encadrants de la thèse : Stefan DUFFNER, Carole LARTIZIEN

Laboratoires impliqués : Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé (CREATIS) (UMR 5220 U1206), Laboratoire d'Informatique en Images et Systèmes d'Information (LIRIS)

Résumé du projet :

L'application de l’apprentissage statistique (ML pour machine learning) au domaine de la santé est en pleine expansion et ouvre des perspectives très intéressantes pour exploiter l’information riche enfouie dans une masse de données hétérogènes en croissance exponentielle (images, informations sémantiques, paramètres biologiques,..). Ces modèles nécessitent une grande quantité de données pour être performants, en particulier les réseaux neuronaux profonds. Une option pour augmenter la population d'apprentissage est de promouvoir les études cliniques multicentriques, ce qui pose de nombreux problèmes de confidentialité puisque les producteurs de données perdent le contrôle de leurs données.

Dans ce contexte, l'apprentissage fédéré (FL pour federated learning) est une nouvelle approche de ML qui a été récemment introduite, d'abord pour se conformer à la règlementation générale sur la protection des données personnelles (RGPD) de plus en plus stricte, et pour limiter les flux massifs de données vers un serveur centralisé. Ce domaine de recherche n'en est qu'à ses débuts et doit relever les principaux défis liés à la spécificité des données médicales.

L'objectif de ce projet de thèse est de proposer des contributions méthodologiques dans ce domaine pour l'analyse d'images médicales, avec, comme application principale, la conception de modèles de diagnostic de pathologies cérébrales basés sur des données de neuroimagerie multimodales.
Description détaillée de la thèse

Auditions : 17 mai 2021
9h-12h30 ; 16h30-19h30


Composition du jury

Sujet de thèse n.6 : impAcT de la poLlution de l'air sur les AdmissioNs hospiTalIereS – Analyse et Prédiction

#pollution de l’air #sante respiratoire #admissions hospitalieres #integration et analyse de donnees #prediction fondée sur les données


Encadrants de la thèse : Delphine MAUCORT-BOULCH, Mohand Said HACID

Laboratoires impliqués : Laboratoire de biométrie et biologie évolutive (LBBE) (UMR 5558), Laboratoire d'Informatique en Images et Systèmes d'Information (LIRIS)

Résumé du projet :

La qualité de l’air est un enjeu majeur pour la santé et l’environnement. Son impact sanitaire est estimé à plus de 50 000 décès prématurés par an et le coût de la pollution atmosphérique se situe entre 70 à 100 milliards d’euros par an. Devant un tel constat, les acteurs concernés doivent conjuguer leurs efforts pour développer des approches/outils et des savoir-faire pour :

  1. mieux identifier et caractériser les polluants et leurs sources,
  2. prédire leur impact sur les services.
Cette thèse s’inscrit dans ce contexte. L’objectif ultime serait de dériver un modèle de prédiction des admissions aux urgences et en réanimation en fonction des pics de concentrations de particules polluantes et des conditions atmosphériques. Cet objectif concerne donc le point (2). Il consiste à appréhender la problématique de la prévision de la qualité de l’air et son impact sur la gestion des admissions hospitalières, en particulier, au niveau des urgences hospitalières, des services de réanimation, ainsi que les pathologies respiratoires et cardiovasculaires.

Nous développerons des méthodes et outils de pointe permettant une évaluation en continu et en temps réel de la qualité de l’air (en zone urbaine) et son impact sur les affluences aux urgences pour une meilleure organisation et gestion des ressources hospitalières - les résultats de cette recherche pourraient être utilisés pour mieux prévoir les schémas d'hospitalisation et les coûts pour le système de santé et déclencher une vigilance accrue sur la pollution par les particules dans les villes.

Description détaillée de la thèse

Auditions : 25 mai 2021
14h00-17h30


Composition du jury

en l’absence de C. Largeron

Sujet de thèse n.7 : Analyse des réseaux de neurones profondsavec la théorie des jeux

#Réseaux de neurones profond #théorie des jeux #optimisation


Encadrants de la thèse : Marc SEBBAN, Charlotte LACLAU, Ievgen REDKO

Laboratoires impliqués : Laboratoire Hubert Curien (UMR CNRS 5516)

Résumé du projet :

L’analyse théorique des réseaux de neurones profonds (DNN) est sans doute l’une des directions de recherche les plus difficiles en apprentissage automatique à l’heure actuelle, car elle oblige les scientifiques à trouver de nouveaux outils mathématiques pour expliquer leur comportement. Dans ce projet, nous explorons l’interaction entre les DNNs et la théorie des jeux en considérant les jeux de congestion et en les reliant aux DNNs et aux propriétés de leur fonction de perte. Au-delà de la récupération des résultats de pointe de la littérature, nous prévoyons que nos contributions fourniront un nouvel outil très prometteur pour l’analyse des DNN et permettront de résoudre des problèmes ouverts concrets liés à :

  1. la caractérisation de l’inefficacité de l’optimisation des DNNs en fonction des choix algorithmiques, tels que leur architecture, activation, et fonction de perte utilisée ,
  2. la proposition de nouvelles stratégies d’optimisation avec de fortes garanties de convergence.

Description détaillée de la thèse

Auditions : 17 mai 2021
9h-12h30 ; 16h30-19h30


Composition du jury