Post-doctorant f/h généralisation des détecteurs d’anomalies pour des environnements hétérogènes et dynamiques

Contexte et atouts du poste

Les méthodes de détection d’anomalies souffrent notamment de la généralisation des détecteurs face aux changement des environnements et également le manque des données nécessaires à améliorer la performance de leurs modèles. Les comportements normaux inférés en utilisant des détecteurs basés sur l’apprentissage non supervisés sont sensibles aux changements et ils sont étroitement liés aux données, à l’espace et à la temporalité de leur environnement d’apprentissage. Un autre aspect important est leur capacité à passer à l’échelle et l’amélioration en continu de la précision de leurs modèles.

Mission confiée

l’objectif de ce travail est d’améliorer les détecteurs d’anomalies face à des environnements dynamiques et d’enrichir leur modèles de détection d’une façon récurrente. Nous souhaitons également ici développer des techniques pour enrichir automatiquement les données saines exploitées par les algorithmes d’apprentissage non supervisés lors de la constructions des modèles de comportement normaux.

Principales activités

Approche envisagée : dans ce projet, nous explorons des techniques d’auto-ML et la recherche automatique d’architecture neuronale (NAS) pour généraliser les modèles de détection d’anomalies aux nouveaux environnements et faire face aux changements. Nous développons également des méthodes basés sur un apprentissage incrémental afin de faire face à un changement d’environnement. Notre méthode construit un premier modèle gros grain avec un taux de faux positifs élevés mais acceptable. Ensuite, d’autres mesures actives ou passives et de la collecte des données sont déclenchées automatiquement pour enrichir les modèles et améliorer leur performance.

Résultats attendus : ce travail apporte une méthode pour améliorer la robustesse des détecteurs d’anomalies face aux changements d’environnement et l’amélioration continue de leurs performances en collectant les données nécessaires à leur apprentissage.

Références

1. Colin White and Mahmoud Safari and Rhea Sukthanker and Binxin Ru and Thomas Elsken and Arber Zela and Debadeepta Dey and Frank Hutter, Neural Architecture Search: Insights from 1000 Papers.
2. Joël Roman Ky, Bertrand Mathieu, Abdelkader Lahmadi, Raouf Boutaba. ML Models for Detecting QoE Degradation in Low-Latency Applications: A Cloud-Gaming Case Study. IEEE Transactions on Network and Service Management, 2023
3. Joel Ky, Bertrand Mathieu, Abdelkader Lahmadi, Raouf Boutaba. Assessing Unsupervised Machine Learning solutions for Anomaly Detection in Cloud Gaming Sessions. 2022 18th International Conference on Network and Service Management (CNSM), Oct 2022

Compétences

4. Une expérience en développement des techniques ML et déetction d'anomalies

Avantages

5. Restauration subventionnée
6. Transports publics remboursés partiellement
7. Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
8. Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
9. Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
10. Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
11. Accès à la formation professionnelle
12. Sécurité sociale

Rémunération

A partir de 2788 € brut/mois selon expérience et diplômes