Missions

L'objectif du projet est de concevoir des procédures entièrement automatisées et pilotées par les données pour l'estimation ponctuelle et/ou par intervalle de crédibilité d'indicateurs épidémiologiques, tels que le coefficient de reproduction R(t) du Covid19. En s'appuyant sur un modèle épidémiologique récent, des estimateurs variationnels et des échantillonneurs de Monte Carlo ont été conçus et mis en œuvre pendant la pandémie pour estimer le coefficient de reproduction du Covid19. Le principal obstacle à leur utilisation systématique et à leur généralisation à d'autres épidémies est qu'ils nécessitent un réglage fin des hyperparamètres, ce qui, jusqu'à présent, a été fait manuellement en collaboration avec des experts, induisant une complexité rédhibitoire. Les procédures de sélection automatisées pilotées par les données permettront de gagner en objectivité et en capacité de traiter de grandes quantités de données provenant d'un large éventail d'épidémies.
Le premier défi consiste à affiner les modèles précédents afin de mieux prendre en compte les mécanismes épidémiologiques et la qualité éventuellement médiocre des données rapportées au cours d'une épidémie. On considérera des modèles mutliplicatifs et le lien avec la factorisation de la matrice non négative de Kullback-Leibler sera exploré. Le deuxième défi sera de s'appuyer sur les modèles statistiques obtenus pour concevoir des procédures automatisées pilotées par les données pour l'estimation d'indicateurs épidémiologiques. À cette fin, plusieurs pistes seront envisagées, depuis l'optimisation bi-niveaux s'appuyant sur le lemme de Stein, aux approches bayésiennes empiriques en passant par l'apprentissage profond non supervisé.

Activités

Le/la chercheur.euse post-doctoral.e recruté.e abordera à la fois les aspects théoriques et numériques liés à la modélisation statistique, au choix d'a priori dans le cadre bayésien, à l'optimisation convexe et non convexe, à l'optimisation stochastique. Il/elle devra développer des codes commentés et faciles à manipuler pour rendre les méthodologies proposées accessibles aux non-spécialistes. Il/elle travaillera en contact avec des épidémiologistes et aura à sa disposition des données épidémiologiques réelles. Un intérêt pour la recherche interdisciplinaire sera fortement apprécié.

Compétences

Les candidat.e.s potentiel.le.s doivent être titulaires d'un doctorat en traitement du signal, en statistiques ou dans une discipline connexe, avoir d'excellentes compétences en programmation (par exemple, en Python ou Matlab) et de bonnes aptitudes à la communication en anglais, tant à l'écrit qu'à l'oral.

Contexte de travail

Le/la candidat.e recruté.e sera embauché.e par le Centre National de la Recherche Scientifique (CNRS) dans le cadre du projet OptiMoCSI, financé par l'Agence National de la Recherche Scientifique, et porté par le LP-IXXI à Lyon, l'IMT à Toulouse et le LS2N à Nantes. Le CNRS est la plus grande institution de recherche française. Il est financé par l'Etat, et emploie des chercheurs dans tous les domaines, des sciences exactes aux sciences humaines. Le/la candidat.e intégrera le Laboratoire des Sciences du Numérique de Nantes (LS2N), dans l'équipe Signal, Image et Son (SIMS) (https://www.ls2n.fr/equipe/sims/) et travaillera sur le campus de Centrale Nantes, une grande école d'ingénieurs. "Régulièrement citée dans les journaux comme l'une des plus belles villes de France, Nantes est aussi réputée pour être une ville riche, vivante et innovante. Son poids économique fait de Nantes la 3ème ville industrielle de France et la 2ème ville la plus performante en termes de croissance de l'emploi." (https://metropole.nantes.fr/nouveaux-arrivants)
Le contrat est d'un an, et pourra être renouvelé une fois.

Contraintes et risques

N/A