Missions

Les dernières années ont été marquées par des percées majeures dans le domaine de l’intelligence artificielle (IA). Les ordinateurs sont désormais capables de comprendre le langage humain, de transcrire des textes, de reconnaître des motifs, voire de conduire des véhicules. À la base de ces avancées se trouve l’apprentissage automatique, un domaine qui étudie comment les machines peuvent apprendre à partir de données.

Malgré les progrès technologiques spectaculaires, notre compréhension théorique des modèles modernes d’apprentissage automatique reste limitée. L’analyse statistique classique, développée au début du XXe siècle, peine à appréhender le régime moderne, dans lequel le nombre de paramètres d’un modèle est souvent du même ordre que la quantité de données disponibles — un phénomène souvent désigné sous le nom de malédiction de la dimensionnalité (MdD). Comprendre pourquoi les algorithmes couramment utilisés fonctionnent si bien malgré cette MdD constitue un défi théorique majeur, essentiel à une adoption plus large de ces méthodes dans des domaines sensibles tels que la médecine ou les soins de santé.

Ce projet s’intéresse à un aspect central de cette problématique : le rôle joué par la structure des données dans le succès des algorithmes d’apprentissage automatique.

Le ou la post-doctorant(e) se concentrera sur un cas particulier de données structurées : les données présentant des corrélations temporelles, étudiées dans le cadre de modèles simples, mathématiquement accessibles. Pour cela, il ou elle mobilisera une combinaison d’outils classiques, tels que la probabilité en haute dimension et la théorie des matrices aléatoires, ainsi que des outils issus de la physique statistique des systèmes désordonnés. Ce projet vise à améliorer notre compréhension théorique de l’interaction entre l’apprentissage des représentations (features) et celui de la structure sous-jacente dans des problèmes d’apprentissage automatique.

Activités

Tâches principales :
Développer un projet de recherche sur le rôle de la structure des données présentant des corrélations temporelles (par exemple issues de processus stochastiques ou de séries temporelles) dans le cadre de l’apprentissage statistique.

Tâches secondaires :
Animer des discussions scientifiques au sein du Centre Sciences des Données (CSD), présenter les résultats du projet lors de conférences nationales et internationales, et participer activement à la vie scientifique et collective du CSD.

Compétences

- Doctorat en mathématiques appliqués, informatique ou physique théorique.
- Forte competence en probabilité et statistique, en particulier des notions de la physique statistique hors équilivre et des processus stochastiques.
- Être à l’aise avec Python et les frameworks d’apprentissage (Numpy, PyTorch, SciPy, etc)
- Être à l’aise avec l’écriture des papiers scientifiques.
- Bonne maitrise de l’Anglais parlé et écrit.
- Capacité de travailler en équipe dans un environment multidisciplinaire.

Contexte de travail

Le/la post-doctorant(e) travaillera sous la direction de Bruno Loureiro, et fera partie de l’équipe DATA du département d’Informatique de l’École Normale Supérieure. Il/Elle sera basé au Centre Science des Données (CSD), une initiative pluridisciplinaire regroupant des chercheurs des départements d'Informatique, de Mathématiques, de Sciences Cognitives et de Physique de l'ENS.