Apprentissage fédéré de Réseaux Bayésiens préservant la confidentialité dans le cadre d’applications médicales personnalisées

Période : septembre/octobre 2020

Résumé

L’objectif est de proposer de nouveaux algorithmes d’apprentissage de modèles graphiques
probabilistes sous contrainte de confidentialité différentielle dans le cadre de la médecine
personnalisée. Une attention particulière sera portée dans le domaine de l’apprentissage fédéré
dans lequel plusieurs modèles sont appris de manière parallèle, en échangeant des informations
suffisamment riches entre ces modèles, mais préservant encore la confidentialité.

Mots-clés

Intelligence artificielle, Apprentissage basé sur des modèles, Réseaux bayésiens, Confidentialité
Différentielle, Apprentissage fédéré, Apprentissage multi-tâches, Assistant médical personnalisé.

Instructions pour la candidature

Le dossier de candidature doit contenir les documents suivants :
1. un curriculum vitæ (CV) ;
2. les relevés de notes officiels de tous les diplômes d’enseignement supérieur du candidat
(Licence, Master, diplôme d’ingénieur, etc.). Si le candidat termine actuellement un
Master, il doit envoyer le relevé des notes obtenues jusqu’à présent, avec le rang parmi
ses pairs, et la liste des cours suivis au cours de la dernière année ;
3. quelques lettres de recommandation (la qualité est plus importante que la quantité) ;
4. et une lettre de motivation rédigée spécifiquement pour ce poste.

Envoyez tous ces documents par courrier électronique aux deux encadrants :
Philippe.Leray@ls2n.fr, Guillaume.Raschia@ls2n.fr