Open Positions

PhD position on Artificial Intelligence  (Cotutelle)

Description:

This thesis deals with challenges of using data in machine learning algorithms in a way that respects the privacy and confidentiality of each user. One of the statistical learning approaches which respects the General Data Protection Regulation (GDPR) is a family of federated learning algorithms (FL), which trains the model on the user machines, without transmitting sensitive data to the server. However, FL is always confronted with a problem of statistical heterogeneity, which can result in less performant models. The goal of this PhD thesis is to study the impact of statistical heterogeneity on FL and will propose efficient solutions to improve its performance while maintaining data confidentiality.   

Working conditions

PhD candidate will work in LIA (Laboratoire Informatique d’Avignon) and LM2N (Laboratoire Mécanique  et Modélisation Numérique ). The candidate will be provided all the necessary technical equipment to conduct the experiments (laptop, screens access to computational server), as well as funding for conferences and research stays. In particular, within a framework of ongoing collaboration with Carnegie Mellon University CyLab, the candidate will be proposed to do a 4 month stay in Carnegie Mellon University. 

Candidate requirements 



Fields : Machine Learning, Federated learning, Statistics, Applied Mathematics and Privacy. 

PhD position on Federated Machine Learning (Cotutelle)

Description:

This thesis deals with challenges of using data in machine learning algorithms in a way that respects the privacy and confidentiality of each user. One of the statistical learning approaches which respects the General Data Protection Regulation (GDPR) is a family of federated learning algorithms (FL), which trains the model on the user machines, without transmitting sensitive data to the server. However, FL is always confronted with a problem of statistical heterogeneity, which can result in less performant models. The goal of this PhD thesis is to study the impact of statistical heterogeneity on FL and will propose efficient solutions to improve its performance while maintaining data confidentiality.   

Working conditions

PhD candidate will work in LIA (Laboratoire Informatique d’Avignon) and LM2N (Laboratoire Mécanique  et Modélisation Numérique ). The candidate will be provided all the necessary technical equipment to conduct the experiments (laptop, screens access to computational server), as well as funding for conferences and research stays. In particular, within a framework of ongoing collaboration with Carnegie Mellon University CyLab, the candidate will be proposed to do a 4 month stay in Carnegie Mellon University. 

Candidate requirements 



Fields : Machine Learning, Federated learning, Statistics, Applied Mathematics and Privacy. 

SDN-NFV: Optimisation de l’allocation des ressources et de la sécurité dans les futures réseaux de communication basés sur SDN  et NFV (closed)

Les réseaux traditionnels n’ont pas été conçus pour supporter les prochaines générations de technologies telles que la 5G, le Big Data, l'IoT, la mobilité et le Cloud Computing. Pour répondre aux besoins croissants en termes de services, les nouvelles technologies tels que la virtualisation des fonctions réseau (NFV) et les réseaux logiciels (SDN) ont été proposé.

Les architectures souffrent de nombreux problèmes liés à l’utilisation des ressources et la sécurité. Le but de cette thèse est de proposer des solutions adaptées aux problèmes du SDN et d'explorer de nouveaux paradigmes associés à ces futures générations de technologies.

[1]  I. Afolabi, T. Taleb, K. Samdanis, A. Ksentini, and H. Flinck, “Network Slicing and Softwarization: A Survey on Principles, Enabling Technologies, and Solutions,” IEEE Communications Surveys & Tutorials

[2]  Sahrish Khan Tayyaba and Munam Ali Shah. 2018. Resource allocation in SDN based 5G cellular networks. Peer-to-Peer Networking and Applications (2018).

[3] I. Farris, T. Taleb, Y. Khettab, and J. S. Song, “A Survey on Emerging SDN and NFV Security Mechanisms for IoT Systems,” IEEE Communications Surveys & Tutorials, 2018

Profils:

Possibilités de financement:

ML55: Intelligentization des futures générations de réseaux informatiques (closed)

Nous vivons à l'ère de l'intelligentization des réseaux, où l'intelligence artificielle (IA) est introduite de manière omniprésente à la périphérie des nouvelles générations de réseaux. En effet, l'IA devrait être un catalyseur clé pour la 6G [1], les réseaux véhiculaires [2] et l'Internet des objets [3]. Plus généralement, L’IA sera partie intégrante des futures générations de réseaux informatiques et offrira des opportunités passionnantes et des défis merveilleux.

L’objectif de cette thèse est de prospecter l’utilisation des techniques de l’IA dans les nouvelles générations de réseaux de l’informatique omniprésente. Il s’agit de proposer des solutions aux problématiques inhérentes à ces réseaux qui résultent de leurs grande dimension, hétérogénéité et vulnérabilité. Nous allons utiliser les méthodes et techniques issues de l’IA pour garantir souplesse, adaptabilité et autosuffisance. Cela permettra de faire face à la croissance exponentielle des appareils connectés et des données échangées.

[1]  N. Kato, B. Mao, F. Tang, Y. Kawamoto and J. Liu, "Ten Challenges in Advancing Machine Learning Technologies toward 6G," in IEEE Wireless Communications, vol. 27, no. 3, pp. 96-103, June 2020, doi: 10.1109/MWC.001.1900476.

[2]  F. Tang, Y. Kawamoto, N. Kato, and J. Liu, “Future intelligent and secure vehicular network toward 6G: Machine-learning approaches,” Proc. IEEE, vol. 108, no. 2, pp. 292–307, Feb. 2020.

[3]  S. K. Singh, S. Rathore, and J. H. Park, ‘‘Blockiotintelligence: A blockchain-enabled intelligent IoT architecture with artificial intelligence,’’ Future Gener. Comput. Syst., vol. 110, pp.721-743, 2020.


Profils:

Possibilités de financement:

ML56: Intelligence Artificielle du cloud vers le Edge (closed)

L'apprentissage automatique (Machine Learning) classique a principalement été construit sur un seul nœud central (généralement dans un Datacenter) avec un accès complet à un ensemble de données global et des ressources massives de stockage et de puissance de calcul.

Cette approche centralisée n’est pas compatible avec les applications nécessitant une faible latence (piloter un drone, contrôler une voiture autonome ou envoyer des instructions à un robot chirurgien). Pour effectuer ces tâches critiques, une Intelligence Artificielle (IA) à faible latence, haute fiabilité et évolutive est nécessaire. Celle-ci devra être localisée le plus près de l’utilisateur final sur le Edge des réseaux[1][2].

Cette thèse a pour objectif d’étudier le Edge ML/IA d'un point de vue théorique et algorithmique, avec des applications à plusieurs cas d'utilisation (V2X, Virtual Reality, robotique, IoT, etc.). Il est en effet temps que les algorithmes d’IA et ML sortent du cloud et se retrouvent dans les gadgets de la vie quotidienne (voitures, smartphones, etc.). Ce shift dans la conception soulève des problématiques liées à l’optimisation, la sécurité et la performance, auxquels cette thèse tentera de répondre.

[1]   J. Park, s. Samarakoon, M. Bennis, M. Debbah, "Wireless Network Intelligence at the edge,’’ in Proceedings of the IEEE, vol. 107, no. 11, pp. 2204-2239, Nov. 2019.

[2]   P. Kairouz, H. B . McMahan, B. Avent, A. Bellet, M. Bennis, et al “Advances and Open Problems in Federated Learning,” https://arxiv.org/pdf/1912.04977, Dec. 2019.

Profils:

Possibilités de financement: