Apprentissage par renforcement équitable et préservant la confidentialité pour les applications de santé // fairness-aware and privacy-preserving reinforcement learning for healthcare applications

Topic description

Cette position de doctorat permet de contribuer à l'IA responsable en santé en développant des solutions d'apprentissage par renforcement (RL) qui abordent les défis d'équité, de confidentialité et de déploiement sécurisé. Le poste de doctorat est ouvert aux candidats internationaux et la langue principale de communication pour les activités de recherche sera l'anglais.

**Défis de Recherche Principaux**
Défi 1 : RL Équitable pour Traitement Personnalisé
Développer des algorithmes de RL sensibles à l'équité qui fournissent des recommandations de traitement personnalisées tout en garantissant un traitement/des résultats équitables à travers différentes démographies de patients et déterminants sociaux de la santé.
Défi 2 : Solutions de RL Préservant la Confidentialité
Concevoir des cadres de RL préservant la confidentialité qui maintiennent de fortes garanties de confidentialité tout en permettant des recommandations de soins personnalisées efficaces.
Focus Transversal : Environnements Non-Stationnaires
Les deux défis mettront l'accent sur la gestion d'environnements cliniques non-stationnaires où les conditions des patients, protocoles de traitement et systèmes de santé évoluent au fil du temps, nécessitant des solutions de RL adaptatives et robustes.

**Approche de Recherche**
La recherche met l'accent sur la rigueur théorique et validation pratique, recherchant des garanties mathématiques aux côtés de la validation empirique utilisant des ensembles de données du monde réel. L'équilibre entre développement théorique et travail empirique peut être ajusté selon le background et intérêts de l'étudiant, permettant une flexibilité dans l'emphase tout en maintenant les deux composantes.

**Processus de Candidature et Date Limite**
Les candidatures seront examinées en continu. Pour considération complète, veuillez soumettre avant le 8 septembre .

Pour postuler, envoyer un email à avec l'objet : [Candidature PhD a] - Votre Nom Complet. Combiner tous documents requis en un seul fichier PDF avec même nom que l'objet email (taille maximale : 20MB) et inclure :
- CV détaillé avec expérience pertinente (incluant liste publications, le cas échéant).
- Lettre motivation (max 2 pages A4) expliquant comment vos qualifications, compétences et expériences se rapportent au sujet recherche. Décrire également domaines spécifiques du sujet PhD qui vous intéressent le plus et démontrer votre préparation pour ces domaines.
- Certificats diplôme et relevés académiques pour diplômes licence et master (si certificat final et relevés pas encore disponibles, soumettre initialement relevé provisoire. Relevés finaux et certificat diplôme doivent être soumis plus tard une fois disponibles).
- Coordonnées de 2-3 références pouvant fournir lettres recommandation.
- Certificat langue anglaise (TOEFL, IELTS, ou équivalent pour non-natifs). Si non disponible, décrire votre background langue anglaise, tel que diplômes d'institutions anglophones, articles publiés en anglais, ou compétence équivalente démontrée.

Tous documents doivent être en anglais ou français.

Les candidats intéressés à discuter du poste et des opportunités de recherche peuvent contacter le Dr. Pratik Gajane ) pour organiser une réunion en ligne.

**Lieu de Travail**
Le Laboratoire d'Informatique Fondamentale d'Orléans (LIFO) de l'Université d'Orléans offre environnement recherche favorable avec corps professoral expérimenté et bonnes installations pour doctorants. Membres LIFO participent régulièrement à projets recherche français et internationaux (liste complète : Orléans est ville dynamique avec communauté étudiante vivante, coûts vie raisonnables, avec accès facile à Paris (1h train, 1h30 en voiture), offrant excellente base pour travail académique et qualité vie.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD position offers the opportunity to contribute to the cutting-edge field of responsible AI in healthcare by developing reinforcement learning (RL) solutions that address fairness, privacy and safe deployment challenges. The PhD position is open to international candidates and the primary language of communication for research activities will be English.

**Core Research Challenges**
Challenge 1: Fair RL for Personalized Treatment
Develop fairness-aware RL algorithms that provide personalized treatment recommendations while ensuring equitable treatment/outcomes across different patient demographics and social determinants of health.
Challenge 2: Privacy-Preserving RL Solutions
Design privacy-preserving RL frameworks that maintain strong privacy guarantees while enabling effective personalized healthcare recommendations. This involves developing techniques that protect sensitive patient data during the learning and decision-making process.
Cross-cutting Focus:
Both challenges will emphasize handling non-stationary clinical environments where patient conditions, treatment protocols, and healthcare systems evolve over time, requiring adaptive and robust RL solutions.

**Research Approach**
The research emphasizes both theoretical rigor and practical validation, seeking mathematical guarantees alongside empirical validation using real-world datasets. The balance between mathematical analysis and empirical work can be adjusted based on the student's background and interests.

**Application Process and Deadline**
Applications will be reviewed on a rolling basis. For full consideration, please submit by September 8,. Applications received after this date will be considered if the position remains open.

To apply, please send an email to with the subject line: [PhD Application a] - Your Full Name. Please combine all required documents into a single PDF file with the same name as your email subject line (maximum file size: 20MB) and include the following:
- Detailed CV highlighting relevant experience (including a list of publications, if applicable).
- Motivation letter (max 2 A4 pages) explaining how your qualifications, skills, and experiences relate to the research topic. Please also describe specific areas within the PhD subject that interest you most and demonstrate your preparedness for these areas.
- Degree certificates and academic transcripts for both BSc and MSc degrees (if final MSc degree certificate and transcripts are not yet available, submit provisional transcript initially. Final transcripts and degree certificate must be submitted later once available).
- Contact details for 2-3 referees who can provide recommendation letters.
- English language certificate (TOEFL, IELTS, or equivalent for non-native speakers). If not available, please describe your English language background, such as degrees from English-medium institutions, published papers in English, or equivalent demonstrated proficiency.

Please note that all documents must be in English or French.

Candidates interested in discussing the position and research opportunities may contact Dr. Pratik Gajane ) to arrange an online meeting.

**Place of Work**
The Laboratoire d'Informatique Fondamentale d'Orléans (LIFO) at the University of Orléans offers a supportive research environment with experienced faculty and good facilities for PhD students. LIFO members regularly lead and contribute to French and international research projects (full list: Orléans is a thriving city with a vibrant student community, reasonable living costs, with the added benefit of easy access to Paris (1 hour by train, 1.5 hours by car), providing an excellent base for both academic work and quality of life.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 10/11/

Funding category

Other public funding

Funding further details

ANR Financement d'Agences de financement de la recherche