(Offre Postdoc) Méthodes statistiques et tensorielles pour l’analyse de données hétérogènes spatio-temporelles – France

Nous proposons un poste postdoctoral sur le développement de méthodes de décomposition statistique et tensorielle pour l’apprentissage des représentations de données hétérogènes avec application à l’analyse de données de neuroimagerie.

Localisation : Laboratoire CRAN (Université de Lorraine) à Nancy, France, avec visites du laboratoire MLSP (UMBC) dans le Maryland, USA. Le candidat travaillera avec le Pr Sebastian Miron, le Dr Ricardo Borsoi et le Pr David Brie au laboratoire CRAN, Nancy, et avec le Pr Tülay Adali au laboratoire MLSP, UMBC, USA.

La date de début est flexible (le poste est ouvert jusqu’à ce qu’il soit pourvu).

Description : L’analyse des données spatio-temporelles constitue une problématique fondamentale dans de multiples domaines tels que les neurosciences, l’épidémiologie, la science du climat et la surveillance de la pollution. Développer des méthodes d’apprentissage de la représentation pour les données spatio-temporelles capables de gérer efficacement et conjointement des données provenant de diverses modalités pose un défi important. Une difficulté particulière consiste à concevoir des modèles flexibles directement interprétables, fournissant facilement un aperçu des relations apprises à partir des données. Le candidat développera des méthodes flexibles d’apprentissage des représentations et d’analyse de données spécifiquement conçues pour gérer des données spatio-temporelles hétérogènes, en utilisant efficacement à la fois des cadres algébriques (décompositions matricielles et tensorielles) et statistiques pour générer des résultats interprétables et étayés par des garanties statistiques. Les méthodes développées seront appliquées à la médecine personnalisée, dans le but d’élucider l’interaction entre les données de neuroimagerie (par exemple IRMf) et les facteurs cognitifs/socioéconomiques ainsi que leur évolution temporelle.

Profil du candidat : Ph.D. diplôme en traitement du signal, en apprentissage automatique ou en mathématiques appliquées ou dans un domaine connexe.

Pour postuler : Si vous êtes intéressé, merci d’adresser votre candidature accompagnée d’un CV académique et d’une lettre de motivation à sebastian.miron@univ-lorraine.fr , ricardo.borsoi@univ-lorraine.fr , david.brie@univ-lorraine.fr , et adali@umbc.edu .

Pour plus d’informations, veuillez consulter : https://cran-simul.github.io/assets/jobs/P_postdoc_these_NSF_2024.pdf