Doctorant Optimisation Non-Lisse pour l'Apprentissage Automatique H/F - INRIA

A propos d'Inria Inria est l'institut national de recherche dédié aux sciences et technologies du numérique. Il emploie 2600 personnes. Ses 215 équipes-projets agiles, en général communes avec des partenaires académiques, impliquent plus de 3900 scientifiques pour relever les défis du numérique, souvent à l'interface d'autres disciplines. L'institut fait appel à de nombreux talents dans plus d'une quarantaine de métiers différents. 900 personnels d'appui à la recherche et à l'innovation contribuent à faire émerger et grandir des projets scientifiques ou entrepreneuriaux qui impactent le monde. Inria travaille avec de nombreuses entreprises et a accompagné la création de plus de 200 start-up. L'institut s'eorce ainsi de répondre aux enjeux de la transformation numérique de la science, de la société et de l'économie.
Doctorant F/H Optimisation non-lisse pour l'apprentissage automatique Type de contrat : CDD Niveau de diplôme exigé : Bac +5 ou équivalent Fonction : Doctorant A propos du centre ou de la direction fonctionnelleLe Centre Inria de l'Université Grenoble Alpes, regroupe un peu moins de 450 personnes réparties au sein de 26 équipes de recherche et 9 services support à la recherche.Son effectif est distribué sur 3 campus à Grenoble, en lien étroit avec les laboratoires et les établissements de recherche et d'enseignement supérieur (Université Grenoble Alpes, CNRS, CEA, INRAE, ...), mais aussi avec les acteurs économiques du territoire.Présent dans les domaines du calcul et grands systèmes distribués, logiciels sûrs et systèmes embarqués, la modélisation de l'environnement à différentes échelles etla science des données et intelligence artificielle, le Centre Inria de l'Université Grenoble Alpes participe au meilleur niveau à la vie scientifique internationale par les résultats obtenus et les collaborations tant en Europe que dans le reste du monde.Contexte et atouts du posteLe doctorat sera réalisé dans une collaboration entre l'équipe Inria GHOST et l'équipe DAO du LJK. Il sera financé par la chaire Structured Optimization and Learning du cluster MIAI.L' objectif est dedévelopper et analyser de nouveaux algorithmes d'optimisation adaptés aux problèmes non-lisses et non convexes, omniprésents en apprentissage automatique. Alors que les modèles modernes (comme ceux de l'apprentissage profond) intègrent souvent des composantes non différentiables, les méthodes théoriques existantes se limitent majoritairement au cadre lisse. L'objectif est d'établir des garanties théoriques solides pour des algorithmes optimisant des fonctions objectif réalistes, proches de celles rencontrées en pratique, afin de combler cet écart entre théorie et applications.Des déplacements réguliers sont prévus pour ce poste ?Le / la doctorant(e) travaillera entre le laboratoire Jean Kuntzmann (LJK) et le Laboratoire d'Informatique de Grenoble.Mission confiéeMissions :Lapersonne recrutée sera amenée à effectuer undoctorat codirigée par Mathieu Besançon (Inria, LIG), Quoc-Tung Le (UGA, LJK) et Jérôme Malick (CNRS, LJK).Pour une meilleure connaissance du sujet de recherche proposé :Certains algorithmes étudiés dans le cas lisse sont mal compris dans les cas non lisses. Une des questions de recherche du doctorat portera sur la définition de classes de problèmes réalistes pour les modèles d'apprentissage et sur lesquels les algorithmes proches de ceux utilisés pour l'entrainement peuvent être analysés.Les Le / la candidat(e) peut se référer à la littérature sur les algorithmes adaptifs comme AdaGrad pour les familles d'algorithmes pertinents.Collaboration :Des collaborations seront possibles durant la thèse avec le Zuse Institute Berlin et l'Institut Mathématique de Toulouse avec lesquels les encadrants collaborent déjàPrincipales activitésPrincipales activés (5 maximum) :Formaliser les propriétés nécessaires pour la convergence de différents algorithmes d'optimisation sur les fonctions non-lisses.Développer de nouveaux algorithmes adaptés à des classes de fonctions proches des réseaux neuronaux avec architectures modernesImplémenter et évaluer les méthodes numériquement sur des jeux d'instances de référenceActivités complémentaires (3 maximum) :Développement de bibliothèques logicielles pour l'optimisationRédaction de rapports et d'articles de rechercheCompétencesCompétences techniques et niveau requis : mathématiques de l'optimisation (analyse, analyse convexe, algèbre linéaire), analyse d'algorithmes (complexité)Langues : anglais écrit et oral, français optionnel.AvantagesRestauration subventionnéeTransports publics remboursés partiellementCongés : 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)Possibilité de télétravail (90 jours par an flottants) et aménagement du temps de travailPrestations sociales, culturelles et sportives (Association de gestion des oeuvres sociales d'Inria)Accès à la formation professionnelleParticipation employeur mutuelle santé et prévoyance (sous conditions)Rémunération2200 eurosbrut /mois

• Anglais
• Intelligence artificielle
• Machine learning
• Systèmes embarqués
• Français
• Mathématiques