Thèse Analyse Comportementales Personnalisées par Ajustement Fédéré de Confiance de Modèles de Fondation en Périphérie - Application à la Modélisation et à la Prédiction de l'Activité et de la Mob H/F Doctorat.Gouv.Fr
- Paris - 75
- CDD
- Bac +5
- Service public d'état
Détail du poste
Établissement : Université Paris-Saclay GS Informatique et sciences du numérique
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : Données Algorithmes pour une ville intelligente et durable
Direction de la thèse : Karine ZEITOUNI ORCID 0000000256026942
Début de la thèse : 2027-10-01
Date limite de candidature : 2026-11-06T23:59:59
Les grands modèles de langage (LLM) et les modèles de fondation ouvrent de nouvelles perspectives pour modéliser et générer des séquences de comportements humains, telles que les trajectoires de mobilité, les habitudes de déplacement et les activités quotidiennes. Cependant,l'ajustement (fine-tuning) actuel repose sur une collecte centralisée des données, ce qui expose des traces de localisation hautement sensibles et limite la personnalisation. Ce projet de doctorat propose un cadre pour une adaptation, décentralisée et respectueuse de la vie privée des modèles de fondation, directement sur des appareils périphériques (edges) aux ressources limitées. Il combine la réduction des paramètres (Parameter-Efficient Fine-Tuning), l'apprentissage fédéré (Federated Learning) avec des données non-IID, et une protection matérielle via des environnements d'exécution de confiance (Trusted Execution Environments ou TEE), de sorte que la personnalisation soit continue et que ni les données brutes ni les mises à jour des modèles ne soient exposées. Ce cadre sera validé sur des ensembles de données réelles de mobilité et d'activités.
Les laboratoires DAVID de l'UVSQ d'un côté et le TICLab de l'UIR offre un cadre favorable à la recherche dans le domaine visé. En particulier, cette thèse bénéficiera des travaux antérieurs sur l'apprentissage fédéré sur des données de mobilité au sein de DAVID et l'IA frugale pour une architecture edge-cloud distribuée au sein du TICLab.
L'objectif principal est de comprendre et de prédire le phénomène de mobilité et de budget espace-temps à l'échelle urbaine, sans accéder aux données personnelles et en minimisant les ressources de calcul.
Le profil recherché
Nous recherchons une personne très motivée, possédant :
* Une solide formation quantitative en informatique, en mathématiques ou dans un domaine connexe.
* De bonnes compétences en programmation, notamment en Python et dans l'utilisation de bibliothèques dédiées à l'apprentissage automatique.
* Une bonne maîtrise des fondamentaux de l'apprentissage automatique (machine learning) et de l'apprentissage profond (deep learning).
* Une expérience des frameworks d'apprentissage fédéré, qui constituera un atout.
Un intérêt marqué pour les systèmes d'intelligence artificielle à grande échelle et pour leurs applications interdisciplinaires sera particulièrement apprécié.
Publiée le 30/10/2026 - Réf : d01d45107c4c53ce1b9037396a44bda2
