Multi-label classification for health data: Optimization approaches for interpretable results

PhD position in Co-tutelle between U. Lille and U. Kent

This Phd will be a cooperation between the ORKAD team from CRIStAL Laboratory in Lille (Pr. C. Dhaenens and Pr. L. Jourdan) and the The Computational Intelligence group, School of Computing, University of Kent, United Kingdom (Pr. A. Freitas).

The PhD candidate will be principally attached to the research team of the promotor in Lille, but in addition, the PhD candidate must spend at least one year in the research unit of the University of Kent supervisor during the three years of the doctorate. Following a successful doctoral defense, the PhD candidate will obtain a doctoral degree from each institution.

Applicants must submit their application (in English) by email before 19th of April to the three contact persons indicated below

More information may be found in the following link (scientific context, objectives of the thesis as well as the detailed application procedure)

cristal.univ-lille.fr/sujets-these/details.html

 

 

Configuration Automatique de réseaux de neurones profonds, à l’aide de méthodes d'optimisation multi-objectif

La généralisation de la collecte de données numériques fait que l’apprentissage automatique sur données massives reste à ce jour un sujet de recherche stratégique. D’un côté, les méthodes d’optimisation permettent déjà d’obtenir des résultats intéressants, sous forme de boîte blanche : les résultats sont facilement interprétables, mais au prix de nombreux calculs. D’autre part, les réseaux de neurones profonds commencent à bénéficier de moyens de calculs importants, comme par exemple des cœurs de calcul dédiés chez NVidia (Tensor Core).

L’objectif de cette thèse est de déterminer comment les méthodes d’optimisation multi-objectif peuvent d’une part faciliter la configuration des hyperparamètres d’un réseau de neurones et d’autre part en améliorer leur interprétabilité. Ce qui permettra d’exploiter conjointement les réseaux de neurones profonds, qui sont une approche boîte noire avec des résultats de très bonne qualité mais difficiles à interpréter, et les approches d’apprentissage par optimisation de type boîte blanche, sur lesquelles l’équipe ORKAD a déjà travaillé dans le passé. La bonne réalisation de ce sujet nécessitera de s’appuyer sur l’expérience d’ORKAD concernant la configuration automatique d’algorithmes multi-objectifs.

Plus de détails (y compris les modalités de candidature) sur

https://cristal.univ-lille.fr/sujets-these/details.html?id=48849c13a6fe42e29fd53409f345bff5

Dernières actualités