En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR7271-VIVROS-038 - Chercheur en Apprentissage symbolique et non symbolique dans un contexte fédéré H/F

Chercheur en Apprentissage symbolique et non symbolique dans un contexte fédéré H/F

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : jeudi 8 décembre 2022

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Informations générales

Référence : UMR7271-VIVROS-038
Lieu de travail : SOPHIA ANTIPOLIS
Date de publication : jeudi 17 novembre 2022
Type de contrat : CDD Scientifique
Durée du contrat : 24 mois
Date d'embauche prévue : 1 janvier 2023
Quotité de travail : Temps complet
Rémunération : Entre 2833,40 et 3257.06 € bruts mensuels selon expérience
Niveau d'études souhaité : Doctorat
Expérience souhaitée : 1 à 4 années

Missions

Le projet ANR MultiTrans vise à développer de nouveaux algorithmes de décision pour les véhicules autonomes.
Le travail concerne l'apprentissage fédéré dont le but est de permettre à des véhicules d'échanger des informations locales dans un périmètre géographique réduit (par exemple des véhicules qui se croisent). Cette question demeure cependant à ce jour difficile pour les techniques d'apprentissage profondes de par la multitude d'interactions entre des acteurs très diverses sur la route (véhicules, piétons, etc). De ce fait, il est nécessaire d'aider les réseaux de neurones à modéliser ces dépendances. Ce recrutement devra répondre à ce besoin par l'introduction d'une structure de graphes de scènes dans la chaîne de traitement des données. Cette structure de graphe permet naturellement d'articuler les interactions possibles pour améliorer les performances de modèles, comme en témoignent un certain nombre de publications récentes [1, 2]. En effet, la nature des informations apprises et échangées peut être symbolique (modification d'une portion de route, d'un rond-point) ou non-symbolique (amélioration du guidage sur voie en conditions dégradées comme du brouillard ou de la neige, présence de piéton en mouvement).
Tout cela implique d'être capable de combiner un apprentissage symbolique (représenté par la structure de graphe) avec un apprentissage non-symbolique (basé perception).

Activités

Les données symboliques d'une scène visuelle sont généralement représentées sous la forme d'un graphe de scène tandis que les données non symboliques sont représentées sous la forme des poids appris dans un réseau de neurones. Différents travaux combinent déjà de tels apprentissages. Dans ce post-doc, nous souhaitons :
• mettre en place un système d'apprentissage profond reposant sur des graphes de scènes,
• améliorer la définition et l'extraction des graphes de scènes,
• proposer des améliorations utiles à la conduite :
◦ définir les concepts utiles qu'un nœud de graphe de scène doit représenter
◦ serait-il possible d'apprendre des nouveaux objets (ce nouveau véhicule qui roule devant moi est un skate-board muni d'un guidon (concept de trottinette)) ?
◦ étudier la dynamique des données symboliques (la voiture qui était devant moi et que je viens de doubler …)
• étudier la possibilité d'introduire des connaissances à priori dans les modèles à l'aide de cette structure de graphe,
• Évaluer l'utilité de ces techniques pour la transférabilité des systèmes appris entre diverses domaines (simulation, circuit miniature, navettes, terrain réel) intervenant dans le projet MultiTrans,
• Publier les conclusions des travaux dans les conférences et journaux du domaine afférent.

[1] Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving, Sheng et al, IEEE Transactions on Intelligent Transport Systems, 2022.
[2] Scene-Graph Augmented Data-Driven Risk Assessment of Autonomous Vehicle Decisions, Yu et al, IEEE Transactions on Intelligent Transport Systems, 2021.

Compétences

La candidate ou le candidat devra être titulaire d'un doctorat en lien avec les techniques d'apprentissage machine pour la vision par ordinateur, et disposer de connaissances :
- en apprentissage machine, et plus particulièrement en apprentissage profond,
- en traitement de situations faiblement labélisées,
- en traitement d'images et signaux,
- sur les architectures vision transformers émergentes,
- sur le traitement de graphes.
De plus, la candidate ou le candidat devra disposer des savoir-faire suivants :
- Entraînement de réseaux de neurones sur super-calculateur,
- Mise en place de nouvelles méthodes d'apprentissage profond,
- Programmation en Python, avec maitrise des deux principales librairies d'apprentissage (pytorch, tensorflow).

Contexte de travail

Ce CDD chercheur s'intègre dans le projet ANR MultiTrans qui concerne le transfert d'apprentissage entre différentes plateformes (entièrement virtualisée, miniature ou réelle) pour la conduite autonome.

Contraintes et risques

aucun

On en parle sur Twitter !