Position de doctorat - Apprentissage incrémental autonome intégré

DÉTAILS OPPORTUNITÉ

Récompense totale

0 $

Université étatique

CEA Tech

Région

Europe de l'Ouest

Pays hôte

France

Date limite

31 oct. 2021

Niveau d'études

Doctorat

Type d'opportunité

Doctorat

Spécialités

Informatique et sciences technologiques

Financement d'opportunité

Non financé

Pays éligibles

Cette opportunité est destiné à tous les pays

Région éligible

Toutes les régions

SL-DRT-21-0465

DOMAINE DE RECHERCHE

Intelligence artificielle et intelligence des données

ABSTRAIT

Le développement récent d'algorithmes d'apprentissage incrémental pour les réseaux de neurones profonds est l'occasion d'imaginer de nouvelles applications de capteurs intelligents déployées dans des environnements réels. En étant progressivement capable d'apprendre de nouvelles tâches, le capteur pourra personnaliser son comportement à son milieu de déploiement spécifique, lui permettant de s'adapter à des variations lentes de ses tâches ciblées (par exemple la détection de différents types d'anomalies) ou d'apprendre de nouvelles tâches qui n'étaient pas initialement prévus. Cette possibilité rendrait le service rendu par le capteur autonome de plus en plus pertinent. L'objectif de cette thèse est l'exploration des moyens par lesquels le capteur intelligent peut devenir totalement autonome dans son évolution tout en tenant compte de la capacité de traitement limitée du système embarqué. Aussi, vu la consommation électrique limitée de la plateforme, l'idée est d'associer deux systèmes embarqués, un premier qui est «Always-on» et exécute la tâche nominale de l'application (ex: détection de différentes classes d'événements ou d'anomalies), et un second qui est «On-demand» qui serait exécuté de temps en temps, afin de recycler le modèle de la partie «Always-on». Pour la cohérence, il est nécessaire que le rapport de consommation électrique des deux plates-formes soit dans un rapport de 1: 100 à 1: 1000 environ.Les défis auxquels est confrontée la conception d'un tel système sont nombreux: Le premier est la conception de mécanismes de détection capables pour trouver des exemples de faux négatifs (classes à évolution lente) ainsi que de nouveaux exemples (nouvelles classes). Ces mécanismes doivent être exécutés sur la plateforme «Always-on», avec les contraintes d'implémentation associées. Une deuxième difficulté concerne la phase de recyclage qui est exécutée sur la plateforme «On-demand». Cette phase doit prendre en compte la structure du modèle «Always-on» afin de pouvoir le recycler avec de nouveaux exemples. Ceci à la fois pour apprendre lentement les modifications de la tâche de détection existante ou pour apprendre une nouvelle tâche sans oublier les anciennes. Puisqu'il s'agit d'un nouvel espace d'application, le doctorant doit être capable d'avoir une large compréhension du sujet et devra nécessairement aborder un grand nombre de domaines, y compris différents algorithmes d'apprentissage incrémental, différents algorithmes de formation en apprentissage profond et les exigences matérielles nécessaires pour exécuter ces algorithmes dans le contexte intégré.