Détection hors distribution avec des modèles de fondation de vision et des méthodes post-hoc

CEA; Saclay; Sur place; EUR 30 000 - 50 000; Plein temps

Résumé du poste

Une entreprise innovante recherche un candidat pour une thèse passionnante axée sur l'amélioration des modèles de deep learning. Ce projet se concentre sur la détection des échantillons hors distribution, un défi crucial dans des domaines tels que la santé et les véhicules autonomes. Le candidat explorera des solutions pour garantir la robustesse des modèles tout en s'adaptant aux changements de distribution des données. Ce rôle offre l'opportunité de travailler avec des modèles de vision de pointe et de contribuer à des avancées significatives dans la sécurité des systèmes d'IA. Si vous êtes passionné par l'IA et la recherche, cette thèse est faite pour vous.

Qualifications

• Formation recommandée : Master M2 en informatique ou domaine connexe.
• Compétences en deep learning et détection hors distribution sont essentielles.

Responsabilités

• Améliorer la fiabilité des modèles de deep learning pour la détection OoD.
• Développer des méthodes pour maintenir la robustesse des modèles pendant le fine-tuning.

Connaissances

Deep Learning

Modèles de vision

Détection hors distribution

Méthodes adaptatives

Formation

Master M2

Outils

CLIP

DINO

Description du poste

Description du sujet de thèse

Domaine

Défis technologiques

Sujets de thèse

Détection hors distribution avec des modèles de fondation de vision et des méthodes post-hoc

Contrat

Thèse

Description de l'offre

Le sujet de thèse se concentre sur l'amélioration de la fiabilité des modèles de deep learning, en particulier dans la détection des échantillons hors distribution (OoD), qui sont des points de données différents des données d'entraînement et peuvent entraîner des prédictions incorrectes. Cela est particulièrement important dans des domaines critiques comme la santé et les véhicules autonomes, où les erreurs peuvent avoir des conséquences graves. La recherche exploite les modèles de base de la vision (VFMs) comme CLIP et DINO, qui ont révolutionné la vision par ordinateur en permettant l'apprentissage à partir de données limitées. Le travail proposé vise à développer des méthodes qui maintiennent la robustesse de ces modèles pendant le fine-tuning, garantissant qu'ils peuvent toujours détecter efficacement les échantillons OoD. En outre, la thèse explorera des solutions pour gérer les changements de distribution des données au fil du temps, un défi courant dans les applications du monde réel. Les résultats attendus incluent de nouvelles techniques pour la détection OoD et des méthodes adaptatives pour les environnements dynamiques, améliorant ainsi la sécurité et la fiabilité des systèmes d'IA dans des scénarios pratiques.

Université / école doctorale

Sciences et Technologies de l'Information et de la Communication (STIC)
Paris-Saclay

Localisation du sujet de thèse

Site

Saclay

Critères candidat

Formation recommandée

Master M2

Demandeur

Disponibilité du poste

01/08/2025

Personne à contacter par le candidat

ARNEZ YAGUALCA Fabio Alejandro
[e-mail]
CEA
DRT/DILS//LSEA
Centre d'integration Nano-INNOV
DRT/LIST/DILS/LSEA
91120 Palaiseau
France

Tuteur / Responsable de thèse

MRAIDHA Chokri
[e-mail]
CEA
DRT/DILS//LSEA
CEA Saclay
DRT/LIST/DILS/LSEA
91191 Gif-sur-Yvette
France
0169084889

En savoir plus