Description

Français : Le Laboratoire d'Informatique de l'Université d'Avignon (LIA), Avignon, France, offre un poste de doctorant sur « Optimisation bayésienne pour les réseaux auto-organisés » dans le cadre du réseau doctoral MSCA FINALITY (saFe learnINg for LArge scaLe InTerconnected sYstems).

La thèse vise à étudier les compromis entre la complexité des messages et des calculs et la vitesse de convergence pour les algorithmes d'apprentissage rapide en production. L'objectif est de concevoir de nouveaux algorithmes légers pour l'allocation des ressources (RA), capables de converger en quelques itérations vers des points de fonctionnement quasi-optimaux. Cette thèse abordera des techniques empruntées à l'optimisation bayésienne, capables de converger en une poignée d'itérations et d'intégrer naturellement des informations préalables. Par exemple, la génération d'une distribution apriori sur un ensemble de politiques bien conduites, et connues pour être performantes, fournira une explication humainement interprétable sur les décisions de l'optimiseur.
------------------------------------------------------------------------------------------------------------------------------------------------

Compétences requises

Français : Qualifications éducatives : un master (ou équivalent) dans un domaine pertinent tel que les mathématiques appliquées ou l'informatique théorique ; le profil idéal est celui d'un mathématicien appliqué désireux de réaliser des applications informatiques (une candidature avec de faibles notes dans les domaines mathématiques de base ne sera pas prise en considération) ; Solides connaissances en : modélisation et évaluation des performances ; la maîtrise d'outils incluant, mais sans s'y limiter, les suivants : la théorie du contrôle, la théorie des jeux, les processus stochastiques, la théorie de Markov et l'apprentissage automatique (en particulier l'apprentissage par renforcement, l'optimisation bayésienne et les réseaux neuronaux) ; un intérêt et des compétences en programmation informatique seraient un atout pour l'analyse numérique au moyen, par exemple, d'outils de simulation ; des compétences technologiques en informatique et en télécommunications sont les bienvenues, mais ne sont pas obligatoires. Recherche interdisciplinaire : capacité à travailler dans un environnement de recherche interdisciplinaire, associant les domaines des mathématiques, de l'ingénierie, de la théorie du contrôle et de l'informatique. Compétences en matière de communication : Excellentes aptitudes à la communication écrite et orale, avec la capacité de présenter efficacement les résultats de la recherche. Collaboration et travail d'équipe : Capacité à collaborer avec des groupes de recherche lors de détachements dans des institutions extérieures. Capacité d'adaptation : volonté d'acquérir et de proposer de nouvelles méthodologies et techniques, en particulier lors de détachements auprès de l'industrie et de différents partenaires universitaires. Motivation et initiative : motivation intrinsèque pour contribuer aux objectifs du projet FINALITY et capacité à prendre des initiatives dans les activités de recherche. Capacité à contribuer aux objectifs du projet : enthousiasme pour contribuer aux objectifs généraux du projet FINALITY. Ce projet est mené en étroite collaboration avec des groupes internationaux, et des visites dans leurs laboratoires sont prévues au cours du projet. La volonté de voyager et de passer du temps de travail en dehors du laboratoire LIA est donc essentielle. IMPORTANT : Les candidats doivent remplir les critères d'éligibilité obligatoires des réseaux doctoraux MSCA : Règle de mobilité : Les chercheurs *ne doivent pas* avoir résidé ou exercé leur activité principale (par exemple, travail, études) en France pendant plus de 12 mois au cours des 3 années précédant immédiatement la date de recrutement (c'est-à-dire le début de l'emploi). Règle du doctorat : Les candidats *ne doivent pas¨ être déjà titulaires d'un doctorat à la date du recrutement. -------------------------------------------------------------------------------------------

Bibliographie

[1] Zhang, Y., Maggi, L., et al. 'Bayesian and multi-armed contextual meta-optimization for efficient wireless radio resource management.' IEEE Transactions on Cognitive Communications and Networking 9.5 (2023): 1282-1295.
[2] Maggi, L., et al. 'Energy savings under performance constraints via carrier shutdown with Bayesian learning.' 2023 Joint European Conference on Networks and Communications & 6G Summit (EuCNC/6G Summit). IEEE, 2023.
[3] Faticanti, F., Maggi, L, and De Pellegrini, F, 'Fog orchestration meets proactive caching.' 2021 IFIP/IEEE International Symposium on Integrated Network Management (IM). IEEE, 2021.
[4] Dejonghe, A., Driouech, S., Zwi Altman, Z, Francesco De Pellegrini, F.. On the Potential of Dynamic RF Channel Configuration for Energy Efficiency Optimization. Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), IEEE, Sep 2024, Valencia, Spain, France.
[5] Ghavamzadeh, M., Mannor, S., Pineau, J., & Tamar, A. (2015). Bayesian reinforcement learning: A survey. Foundations and Trends® in Machine Learning, 8(5-6), 359-483.
[6] Chowdhary, G., Liu, M., Grande, R., Walsh, T., How, J., & Carin, L. (2014). Off-policy reinforcement learning with gaussian processes. IEEE/CAA Journal of Automatica Sinica, 1(3), 227-238.

Mots clés

Optimisation bayésienne, Bandits multi-bras, Optimisation gaussienne, Apprentissage par renforcement, Processus de Markov