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 < email deleted for security reasons >
CEA
DRT/DILS//LSEA
Centre d'integration Nano-INNOV
DRT/LIST/DILS/LSEA
91120 Palaiseau
France
0169089194
Tuteur / Responsable de thèse
ALBERGE Florence < email deleted for security reasons >
Université Paris-Saclay
SATIE - UMR 8029
Digitéo Moulon - Bat 660 - Avenue des Sciences 91190 Gif-sur-Yvette
01 69 15 81 63
En savoir plus
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 < email deleted for security reasons >
CEA
DRT/DILS//LSEA
Centre d'integration Nano-INNOV
DRT/LIST/DILS/LSEA
91120 Palaiseau
France
0169089194
Tuteur / Responsable de thèse
ALBERGE Florence < email deleted for security reasons >
Université Paris-Saclay
SATIE - UMR 8029
Digitéo Moulon - Bat 660 - Avenue des Sciences 91190 Gif-sur-Yvette
01 69 15 81 63
En savoir plus
