Missions

Le premier axe de recherche s’articule autour de l’inférence de communautés. L’apprentissage d’une structure sous-jacente, par exemple l’identification de groupes de nœuds partageant des caractéristiques communes, directement à partir d’une collection de signaux est un enjeu majeur dès lors que l’on dispose de mesures temporelles en différentes localisations géographiques et qui doit pouvoir être réalisée à partir de peu, voire aucune, donnée d’entraînement. Ce projet s’attachera donc à développer des modèles pour les données sur graphe à partir desquels seront déduits des algorithmes d’inférence de communautés dits de « de bout-en-bout » faiblement ou non supervisés.
Dans un deuxième temps, on s’intéressera au développement et à l’étude de métriques de distance entre graphes qui soient pertinentes et économes. Le projet vise à proposer de métriques nouvelles, plus frugales, satisfaisant les “bonnes” propriétés, celles-ci émanant de métriques existantes souvent coûteuses (comme par exemple les métriques définies via des plongements (aléatoires) de graphes). L’objectif final est de pouvoir exploiter ces mesures de distances dans des tâches d’apprentissage telles que la classification ou le regroupement de graphes.

Activités

Deux applications sur des données réelles sont envisagées.
– Dans un premier temps, nous appliquerons les méthodologies d’apprentissage de graphe non-supervisées à des données épidémiologiques constituées de comptes quotidiens de nouvelles infections dans plusieurs territoires simultanément afin de mettre en évidence des dynamiques communes entre territoires et de déterminer les ressorts géographiques et structurels (par ex. partage d’une frontière terrestre, ligne de TGV entre deux grandes villes) explicatifs de ces corrélations.
– Dans un second temps, les mesures de distances entre graphes seront appliquées dans le contexte du décodage des signaux EEG en se basant sur des graphes de connectivité cérébrale. En effet, à partir de signaux temporels mesurés par des électrodes placées sur le cuir chevelu, des graphes de connectivité peuvent être inférés et représentent la fonction cérébrale en un laps de temps. Dans le contexte des interfaces cerveau ordinateur, savoir décoder « rapidement » les graphes de connectivité cérébrale et regrouper ceux qui correspondent à la même tâche d’imagerie mentale, nécessite le développement des mesures de distances, à la fois efficientes et frugales, entre ces derniers.

Compétences

Les candidats 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) sur un financement octroyé par l’institut CNRS Sciences informatiques et sera localisé au 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.

Contraintes et risques

N/A