Dans le cadre d’un projet de recherche doctoral en intelligence artificielle symbolique-numérique, ce travail vise à développer des architectures hybrides combinant l’Analyse de Concepts Formels (ACF) et le Deep Learning pour concilier performance prédictive et interprétabilité. Le projet s’appuiera sur des méthodes innovantes d’intégration de structures symboliques (treillis de concepts) dans des modèles neuronaux profonds.
La mission principale, étant de concevoir et valider des architectures hybrides ACF-Deep Learning capables d’exploiter les forces complémentaires des approches symboliques (logique, interprétabilité) et numériques (apprentissage de caractéristiques complexes).
Le Doctorant en informatique aura pour objectifs de:
* Développer un cadre théorique pour l’intégration des opérateurs de fermeture de l’ACF dans des couches neuronales, inspiré des principes des « Deep Forests ».
* Proposer des méthodes hybrides transformant les concepts formels en features interprétables pour guider l’apprentissage profond.
* Évaluer les modèles sur des défis clés en comparant avec l’ACF pure et les DNNs classiques.
Vous serez au cœur de défis passionnants :
* Hybridation : Combiner apprentissage symbolique et apprentissage profond sans compromis sur la transparence.
* Modélisation : Concevoir des architectures novatrices (ex : couches "conceptuelles" dans les réseaux neuronaux).
* Validation : Mesurer à la fois la performance et l’explicabilité sur des benchmarks variés.
Ce projet offrira une opportunité unique de contribuer à l’IA explicable (XAI) en repensant les fondations des modèles hybrides, avec des applications potentielles en santé, cybersécurité ou données tabulaires.
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.