Passer au contenu principal
Publiez votre CV - Laissez les employeurs vous trouver

emplois polaris

Trier par : -
Plus de 100 emplois
  • Gagnez du temps

    Postulez avec un CV IndeedMettez à jour votre CV Indeed maintenant
  • Consultez les offres d'emploi similaires de cet employeur
  • Consultez les offres d'emploi similaires de cet employeur

Job Post Details

Doctorat en optimisation pour l'apprentissage (H/F) - job post

CNRS
3.8 out of 5
Saint-Martin-d'Hères (38)
2 135 € par mois - Temps plein, CDD
Créez un compte Indeed avant de continuer sur le site web de l'entreprise.

Détails de l'emploi

Correspondance entre ce poste et votre profil.

Salaire

  • 2 135 € par mois

Type de poste

  • Temps plein
  • CDD

Lieu

Saint-Martin-d'Hères (38)

Description du poste

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

Date Limite Candidature : jeudi 8 août 2024 23:59:00 heure de Paris

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler

Informations générales

Intitulé de l'offre : Doctorat en optimisation pour l'apprentissage (H/F)
Référence : UMR5217-MATBES-001
Nombre de Postes : 1
Lieu de travail : ST MARTIN D HERES
Date de publication : jeudi 18 juillet 2024
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2024
Quotité de travail : Temps complet
Rémunération : La rémunération est d'un minimum de 2135,00 € mensuel
Section(s) CN : Interactions, particules, noyaux du laboratoire au cosmos

Description du sujet de thèse

Optimisation non-linéaire en variables mixtes pour des applications en apprentissage

Les dernières décennies ont permis d’énormes progrès sur les méthodes d’optimisation, avec à la fois de nouveaux développements algorithmiques et de nouvelles connaissances théoriques.
L'optimisation en variables mixtes en particulier, qui aborde les problèmes liés aux variables contraintes à des valeurs entières et plus généralement aux structures discrètes, a bénéficié d'efforts soutenus en théorie polyédrale, d'algorithmes améliorés et d'implémentations de solveurs robustes et performant.
L'optimisation non-linéaire en nombres mixtes combine les défis des structures discrètes avec des non-linéarités dans l'objectif ou les contraintes, et pose des défis importants, même pour des tailles d'instances inférieures à celles qui peuvent être gérées dans le cas linéaire.
Dans le cas des applications en apprentissage en particulier, le passage à l'échelle des méthodes est d’une importance cruciale pour rendre les méthodes exactes basées sur des nombres entiers mixtes viables par rapport aux heuristiques couramment utilisées.

Cette thèse abordera les problèmes d'optimisation sous contrainte apparaissant dans les applications d'apprentissage automatique, en particulier lorsqu'on cherche des solutions avec une structure particulière explicitement garantie, comme la parcimonie, des contraintes logiques ou les variables correspondant à des éléments d'un graphe.

Nous explorerons en particulier des algorithmes capables d'exploiter les non-linéarités des fonctions de perte conjointement avec les contraintes combinatoires imposant la structure.
Deux familles de structures combinatoires que nous considérerons sont la parcimonie et les structures de graphes.

La parcimonie des modèles d’apprentissage et des algorithmes fait l’objet d’efforts continus depuis plusieurs années sous divers aspects.
Nous considérerons la parcimonie dans le contexte de l'apprentissage actif, un sujet de l'apprentissage automatique visant à choisir un ensemble limité de points de données à étiqueter et qui peut être exploité pour apprendre de manière supervisée.
L'étiquetage des données entraîne un certain coût, ce qui entraîne une contrainte naturelle de rareté dans le nombre de points pouvant être choisis.
La littérature récente a ouvert la voie à des formulations exactes d'apprentissage actif utilisant l'optimisation en nombres entiers mixtes.
En nous appuyant sur cette approche, nous exploiterons des algorithmes primaires (calcul de solutions réalisables) et des méthodes duales (définition de relaxations) pour aborder les problèmes d'apprentissage actif à plus grande échelle et dans des contextes généralisés dans lesquels le problème de transport optimal n'est pas nécessairement discret ou est abordé avec des méthodes de régularisation entropique.

Contexte de travail

Localisation: l'équipe POLARIS (https://team.inria.fr/polaris/) est une équipe jointe CNRS, Inria, et Université Grenoble Alpes, faisant partie du Laboratoire d'Informatique de Grenoble (LIG), unité mixte de recherche UMR5217 du CNRS (450 personnes).
L'équipe est localisée sur le campus de Saint-Martin d'Hères, accessible en tramway depuis Grenoble.

La thèse sera une codirection entre le Laboratoire d'Informatique de Grenoble et le Laboratoire Jean Kuntzmann.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

Permettez aux employeurs de vous trouver.Téléchargez votre CV