Efficient kernel non-negative factorization and applications to mass spectrometry-based proteomic data unmixing

Laboratory: Gipsa-lab (GAIA department) / CEA (EDyP Lab)
Advisors: Thomas Burger (CEA, CNRS), Antoine Chatalic (Gipsa-Lab, CNRS)
Topic: Signal processing, machine learning
Keywords: NMF, factor analysis, sparse analysis, kernel methods, kernel approximations
Duration: 24 months

Subject
Factor analysis techniques, which consist in finding a factorization X≈DW of a matrix of observations X in a dictionary D and corresponding weights W, have shown to be a powerful tool for a variety of applications. We are interested in the setting where a positivity constraint is imposed on D and W which is known as non-negative matrix factorization (NMF), and where the columns or rows of W may additionally be constrained to be sparse. When modeling a mixing operation which is not strictly linear, more flexibility can be obtained by lifting the columns of X using a non-linear transformation, yielding approaches such as kernel NMF (Li et al. 2012).
Even though many efficient algorithms having been proposed for NMF and sparse factorization (Mensch et al. 2018; Schnass et al. 2020), the application of these techniques on large datasets remains challenging, and the case of kernel NMF has been less studied. We propose to work in this direction and develop efficient and theoretically-grounded algorithms for kernel NMF. To achieve this goal, we will in particular consider algorithms that learn the dictionary D before learning the weights W, rather than performing both operations in an alternative manner. Inspired by works works in archetypal analysis (Courty et al. 2014), we will devise greedy selection rules to build the dictionary by iteratively selecting some of the dataset entries. The use of compressive learning strategies, based on a parametric model for the weights, will also be investigated (Gribonval et al. 2021). Kernel approximation techniques such as the Nyström method will also be used to deal efficiently with the high or infinite dimension induced by the data embedding.
The proposed methods will be applied on data resulting from high-throughput mass spectrometry-based proteomic analysis of complex biological samples, i.e., data consisting of mass spectra collected over time. In this context, working with kernel embeddings has shown empirically to provide good performance with clustering models (Permiakova et al. 2021), but has not been investigated with NMF.

Required Skills
The candidate holds or is about to complete a PhD degree in signal processing, computer science, mathematics, statistics or a closely-related field.
The research topic involves both a theoretical component, and a practical component which will consist in the implementation of the proposed algorithms for subsequent benchmarking on proteomic data.
Some prior knowledge of factor analysis techniques and kernel methods will be appreciated, as well as having an interest for working in an interdisciplinary context with applications in biology.

Applications (CV and application letter) should be sent by September 15 to Thomas Burger and Antoine Chatalic

Subject: Calibration of protein sequence identification procedures for conformal predictions

Key words: metric learning; high dimensional statistics; conformal risk control

Context: The large-scale characterization of proteins in samples from living organisms (a.k.a, proteomics) requires analyzing short amino acid sequences (referred to as peptides) by a mass spectrometer. The resulting spectra are then matched onto a reference sequence database. When doing so, the discrepancies between the sequences and the spectra are generally quantified by scores of various complexity (ranging from a simple sequence coverage percentage to a mathematically well-defined positive and semi-definite metric). Unfortunately, these scores are difficult to interpret for biology researchers, which raises questions about how these peptide-to-spectrum matches (PSMs) can be further validated. Owing to the importance of this question, a multi-disciplinary consortium involving mass spectrometry experts, biologists, computer scientists and statisticians has been financed by the French National Research Agency.

Missions: The recruited PhD student will integrate our consortium to elaborate new methods to endow these PSM scores with well-defined statistical properties, so as to:
(i) Propose novel mathematically well-defined PSM metrics,
(ii) Estimate the risks associated to type I and type II errors,
(iii) Extend these risk control tools to multiple testing scenarios (i.e., when tens of thousands of PSMs are considered simultaneously);
(iv) Provide uncertainty estimates, notably when ambiguous spectra can be matches onto multiple different amino acid sequences.
A specific challenge of this project relies on the black-box nature of the engines used to generate the PSMs (either because these tools are commercial; or because the predictions are fueled by poorly interpretable neural networks). It will thus be necessary to leverage the recent advances in statistical learning that make it possible to derive asymptotic guarantees from black-bock machine learning-based decisions, like conformal predictions [1], prediction powered-inferences [2], conditional randomization testing procedures [3] and knock-off filters [4].

Expected profile:
• Master degree (or equivalent engineering degree) in statistics, in signal processing, in data science or in applied mathematics with advanced skills in scientific programming (R or Python).
• Software development skills in object-oriented language like Java is a bonus.
• Proficient either in French or in English.
• Motivated by the interdisciplinary nature of the project.

Applicants should send an extended version of their CV and an application letter to Thomas Burger (thomas.burger@cea.fr).

References:
[1] https://www.youtube.com/watch?v=nql000Lu_iE
[2] Angelopoulos, A. N., Bates, S., Fannjiang, C., Jordan, M. I., & Zrnic, T. (2023). Prediction-powered inference. Science, 382(6671), 669-674.
[3] Liu, M., Katsevich, E., Janson, L., & Ramdas, A. (2022). Fast and powerful conditional randomization testing via distillation. Biometrika, 109(2), 277-293.
[4] Candes, E., Fan, Y., Janson, L., & Lv, J. (2018). Panning for gold:‘model-X’knockoffs for high dimensional controlled variable selection. Journal of the Royal Statistical Society Series B: Statistical Methodology, 80(3), 551-577.

Robust Deep Learning Anomaly Detection: Application to Intrusion Detection for Electric Vehicle Charging Points

The current growth of the Electric Vehicle (EV) market comes with the large scale deployment of EV Charging Points (CP). Such a large deployment may render the charging points subject to impactful cybersecurity risks of which the most prominent attacks that can imperil EV wired charging points include tampering (prevent charging, get sensitive information), energy repudiation (cheat on billing, energy theft), deny of charging. Hence, detecting and mitigating such adverse situations are of high interest.

To address this challenge, the SHARP project aims to propose machine learning algorithms that robustly detect abnormal events on the charging points in an end-to-end manner. Specifically, provided heterogeneous and multi-modal data i.e. time series sampled at different rates and collected on some few charging points (the samples consist of different time series generated by the CP, such as network communication, alive status of CP (“ping”), operational status, transactional data (charging, energy consumption, payment data). . . ) we aim to elaborate robust anomaly detection algorithms using end-to- end deep learning.

Anomaly detection is generally unsupervised, since abnormal events are rare, of varied nature and hard to annotate. While deep neural networks (DNN) offer flexibility to learn meaningful representation from multi-modal temporal data, anomaly detection with deep architecture remains a difficult task. A representative method is for instance deep one-class classifier. This latter learns a space feature representation alongside the one-class classifier. However, this method suffers issues such as the collapse of the data in the latent space, calling for self-supervised representation learning and has a skewed focus on anomaly detection in images. The pursued goal of this PhD is to jointly learn meaningful representation space of the data by leveraging their multi-modal and temporal aspects and the abnormality detection model such as to address online detection on streaming samples. The robustness of the detection algorithm is crucial to guarantee safe and secure operating CP. For a given testing sample, a deep one-class classifier customarily outputs a one-class score that is thresholded to assess whether the sample corresponds to a malicious operating condition or not. This threshold is to be tuned, and hence to set a tradeoff between maximization of the true abnormal detection rate and minimization of the false alarm rate. Techniques such as conformal inference methods are to be investigated.

The research work to be conducted can be divided into the following tasks:
• State-of-the-art survey on deep learning anomaly detection on time-series.
• Study new DNN representations to address multi-modal time series with different sampling periods.
• Investigate relevant statistical model (one-class) in the deep latent space for online detection.
• Design and evaluate statistical guarantees of the abnormal detection model by investigating relevant approaches such as conformal inference prediction.

How to apply?
Applicants are requested to submit:
• A resume
• Academic transcripts
• A Cover letter applying for the position.
Applications are to be sent by email to: Gilles Gasso (gilles.gasso@insa-rouen.fr) and Mokhtar Z. Alaya (alayaelm@utc.fr).

Unlocking the Mysteries of the Brain with Graph-Based Machine Learning

In the fascinating world of neuroscience, understanding the brain’s intricate structure is key to unlocking the secrets of psychiatric and neurological disorders. Imagine if we could map the brain’s folds and curves to reveal patterns that indicate health or disease. This is precisely what our cutting-edge PhD project aims to achieve, leveraging the power of graph-based machine learning (GML) and Graph Neural Networks (GNN).

Our research focuses on enhancing the representation and analysis of neuroimaging data, particularly from MRI scans, using innovative GML techniques. By developing advanced models, we aim to identify individual traits such as gender and pathology with. What’s more, we are embedding principles of fairness into our models to ensure they are robust against variations in data acquisition and the natural diversity of brain structures.

Key Research Questions:
* Hierarchical Information Analysis in Brain Graphs: How can we design GML models that effectively capture and utilize hierarchical information in brain graphs for better analysis of cortical folding patterns?
* Robustness to MRI Variations: Can a GML model trained on data from one MRI acquisition center generalize well to data from other centers, demonstrating robustness and enhancing the reproducibility of neuroimaging studies?
* Local Variation and Cognitive Functions: How can GML approaches help us identify and analyze local variations in brain anatomy, and what can these variations tell us about cognitive functions and neurological conditions?

Supervisors and Research Environment The project will be hosted at INSA Rouen, within the LITIS laboratory, and will be co-supervised by experts in the field: Benoit Gaüzère, Guillaume Auzias, Sylvain Takerkart and Paul Honeine. Our multidisciplinary team brings together expertise in machine learning, computational anatomy, and neuroscience. The candidate will benefit from collaborations with leading research teams across multiple institutions.

Candidate Profile
We are seeking a passionate and dedicated PhD candidate with:
* A Master’s degree in data science, computer engineering, or a related field.
* Proficiency in Python programming.
* Strong knowledge or experience in machine learning and data science.
* Experience with graph structures is a plus.
* High motivation and an interest in neuroscience.
* Excellent reading, writing, and communication skills in English.

How to Apply :
Ready to embark on this exciting journey? Send your resume, academic results, and links to code or scientific papers to the following contacts. Please include “[FAMOUS]” in the subject line of your email:
Benoit Gaüzère: benoit.gauzere@insa-rouen.fr
Paul Honeine: paul.honeine@univ-rouen.fr
Guillaume Auzias: guillaume.auzias@univ-amu.fr
Sylvain Takerkart: sylvain.takerkart@univ-amu.fr

full offer is available here : https://bgauzere.github.io/phd_famous.pdf

Dans le cadre du projet MeSMRise (https://projet.liris.cnrs.fr/mesmrise/index.html), une offre de thèse est disponible au LIRIS (Lyon) à partir de septembre 2024 sur l’apprentissage profond auto-supervisé de représentations multisensorielles basé sur les théories sensori-motrices. Tous les détails sur l’offre se trouvent ici (date limite de candidature le 16/06/24): https://projet.liris.cnrs.fr/mesmrise/job/OfferPhDWP1.pdf

Le LIMOS (Laboratoire d’Informatique, de Modélisation et d’Optimisation des Systèmes) et le CERDI (Centre d’Études et de Recherches sur le Développement International) ont le plaisir d’annoncer une opportunité de post-doctorat dans le domaine de l’Intelligence Artificielle pour les Sciences des Catastrophes, dans le cadre du projet DLISCES.

Nous recherchons un.e chercheur.e ayant récemment obtenu son doctorat ou sur le point de le terminer en Informatique ou en Mathématiques Appliquées, dans le domaine de l’IA/Apprentissage Profond/Vision par Ordinateur. Le.a candidat.e retenu.e rejoindra notre équipe pluridisciplinaire pour relever les défis cruciaux de la réduction des risques liés aux catastrophes naturelles dans les pays du Sud.

—————————————
Compétences souhaitées
—————————————
– Solide expertise en deep learning et machine learning, en particulier dans les applications de vision par ordinateur.
– Expériences en traitement d’images satellites, avec un accent sur les données liées aux catastrophes, seraient un plus.
– Capacité démontrée à mener des recherches de haut niveau et à publier dans des conférences et des revues internationales à comité de lecture.
– Vif intérêt pour la collaboration interdisciplinaire et pour la recherche à impact à l’intersection de l’intelligence artificielle et des sciences des catastrophes.
– Maîtrise de l’anglais ou du français.

—————————————
Contexte scientifique
—————————————
Le projet DLISCES vise à exploiter des techniques avancées d’Intelligence Artificielle pour analyser des images satellites, des données socio-économiques et des informations environnementales afin de cartographier des indicateurs de vulnérabilité dans un contexte de risques associés aux aléas climatiques. En combinant méthodes avancées en IA et perspectives socio-économiques, nous visons à améliorer notre compréhension de la vulnérabilité et à contribuer à des décisions de politique publique éclairées.

—————————————
Détails de l’offre
—————————————
– Poste : Chercheur.e Post-doctoral (durée de 2 ans).
– Date de début : Septembre 2024 ou avant.
– Salaire : Entre €31,500 et €34,000 par an, selon l’expérience.
– Date limite de candidature : 31 mai 2024.
– Fiche de poste détaillée : https://limos.fr/news_job/59 et https://cerdi.uca.fr/version-francaise/unite/nous-rejoindre/projet-dlisces-recrutement-dun-e-postdoctorant-e#/admin

—————————————
Pour candidater
—————————————
Pour postuler, merci d’envoyer votre CV, lettre de motivation et les contacts de deux référents à :
– Julien Ah-Pine (julien.ah-pine@sigma-clermont.fr) et
– Pascale Phélinas (pascale.phelinas@ird.fr).

L’examen des candidatures débutera immédiatement et se poursuivra jusqu’à ce que le poste soit pourvu.

Bien cordialement,

Julien Ah-Pine
MCF en Science des Données
UCA/LIMOS

Bonjour,

Nous sommes à la recherche d’un.e étudiant.e pour une thèse interdisciplinaire portant sur le développement de méthodes d’analyse de données de tests d’efforts de patients. La bourse de thèse est financée par l’Institut Laënnec (https://institut-laennec.univ-amu.fr/).

La thèse se fera en collaboration entre le Laboratoire d’Informatique et des Systèmes (LIS) et le Centre de Recherche en CardioVasculaire et Nutrition (C2VN), à Marseille. Le sujet vise à exploiter la base de données de tests mise en place par l’AP-HM pour mettre en place de nouveaux indicateurs d’aide à la décision pour les praticiens. En particulier, il s’agira d’appliquer de récents travaux, dont certains développés au LIS, au processus d’homéostasie. Une description détaillée du sujet est disponible au lien suivant : www.lis-lab.fr/wp-content/uploads/2024/03/Sujet_these_homeostasie-2.pdf

La candidature se fera en deux temps : dépôt de dossier, et audition par le conseil scientific de l’institut Laënnec. Le dossier doit contenir, a minima, un CV, une lettre de motivation, et le relevé de notes du Master (M1 et M2, au moins premier semestre si en cours).

Toute personne souhaitant candidater est invitée à contacter l’équipe encadrante.

Contacts :
paul.chauchat@lis-lab.fr
mustapha.ouladsine@lis-lab.fr
stephane.delliaux@univ-amu.fr

Bien cordialement,

Paul Chauchat
MCF @ LIS

Le Centre de Robotique (http://www.caor.minesparis.psl.eu), qui regroupe une vingtaine de permanents et une vingtaine de doctorants, est un des principaux centres de Recherche du Département « Mathématiques & Systèmes » de Mines Paris. Installé boulevard Saint-Michel au centre de Paris sur le site historique de l’Ecole, et bientôt doté aussi d’une extension principalement expérimentale sur le site de Versailles-Satory, le Centre mène des recherches appliquées principalement aux secteurs des Véhicules et Transports Intelligents, de la Robotique mobile, et de la Robotique Collaborative industrielle et de service. La Recherche du Centre s’appuie sur une très forte composante partenariale : environ 1,5 M€/an de contrats publics et privés de Recherche (projets européens, contrats directs, thèses CIFRE, etc.), et de donations (chaires de Recherche). Ces travaux, dont un point commun est de concerner surtout des systèmes avec rétroaction, donc plus ou moins temps-réel et souvent embarqués, et de se focaliser sur des recherches algorithmiques.

Dans le cadre de l’ouverture prochaine d’une extension à Versailles-Satory, le Centre recrute un enseignant-chercheur (H/F) *confirmé* permanent en Robotique mobile, qui sera chargé de développer la recherche et les partenariats industriels spécifiquement pour les véhicules automatisés « off-road » (notamment au sein de l’écosystème du plateau de Satory, centré sur des thématiques en lien avec la défense, avec des industriels tels que Nexter et Arquus, mais aussi potentiellement pour le BTP, pour l’agriculture, et pour l’intervention en milieu sinistré). Véhicule « off-road » est à comprendre d’abord au sens de voiture ou robot, ou engin de chantier terrestre tout terrain se déplaçant hors-route (chemin de terre, champs, forêt, zones détruites/abandonnées, chantier de BTP, …), mais pourrait aussi potentiellement concerner/impliquer des drones, ou robots marcheurs. Les travaux devront comporter une composante de partenariat industriel, logiquement avec les acteurs du plateau de Satory, mais aussi avec d’autres, comme Safran, qui est déjà un partenaire important du centre. La thématique académique peut relever des algorithmes de Perception, et/ou ceux de Planification, et/ou ceux de Contrôle (voire la boucle robotique complète).

Le poste est un CDI de droit public de chargé ou directeur de recherche (selon expérience et détention ou non de l’HdR) de l’EPSCP MinesParis (ou peut, pour un-e candidat-e fonctionnaire de l’enseignement supérieur et recherche, être à terme un détachement dans un corps des enseignants de l’Institut Mines Telecom).

Profil
– Doctorat dans un domaine proche des algorithmes pour le véhicule intelligent ou la robotique mobile ;
– Expérience de Recherche d’au moins une dizaine d’années dans ces domaines ;
– Idéalement titulaire d’une Habilitation à Diriger des Recherche (HdR), ou prêt à la passer à très court terme

Détails de la fiche de poste : https://people.minesparis.psl.eu/fabien.moutarde/fiche-poste_EC-senior_Robotique-Mobile-offroad.pdf

Context:
The study of asteroids is fundamental both for our understanding of the formation of the Solar System, or the supply of water and origin of life on a planet, and for the prediction of Earth impacts. Knowledge of the structure of small bodies (from a few meters to several hundreds of km) is an important element. Indeed the mass, the density, and the internal structure of the small bodies are as many key factors to understand their formation, and diversity, and tracing the origins of planetary systems in general. Moreover, making the link between the internal structure of small bodies and their external shape is the next major challenge in the field.

Nanosatellites or cubesats offer a new opportunity to perform gravity field determinations that we are developing within the BIRDY project. These local relative techniques and measurements show an innovative aspect for this type of interplanetary missions. In particular, we want to study the radio-science and POD precise orbit determination technique, considering and exploiting all the possibilities offered by inter-satellites links (ISL) radio links between one or more nanosatellites. This, in order to derive the lower order of the gravitational potential, mass, bulk density, mass distribution, etc. Our study will develop the concept of radio/optical measurements through inter-satellite links, within the BIRDY project, in the event of a reconnaissance mission (planetary defence, fly-by) or an exploration mission (planetary science, rendez-vous).

The work will be performed at Paris observatory within IMCCE and CENSUS space centre. The methodology will be applied to several targets of interest, and in particular to the HERA mission from ESA.

Profile:
– PhD in computer science, machine learning, mathematics, A&A, data scientist, or equivalent
– Experience in neural networks and regression
– Strong skills in programming and numerical computations
– Excellent written and verbal communication in English

Formation:
– Advanced skills in data analysis and the use of statistical software
– Very good understanding of Machine Learning theory and techniques
– Strong experience with machine learning methods (ANN, PINN, …) for regression and inverse problems
– knowledge of gravitational field representation, and precise orbit determination appreciate

Un poste de chargé·e de recherche sur profil à INRAE en apprentissage automatique et apprentissage profond sur données structurées est proposé au concours en 2024 dans l’unité MIAT de Toulouse.

Plus d’informations sur le site des concours INRAE (clôture des inscriptions le 5 mars 2024 à 17h, heure de Paris) : https://jobs.inrae.fr/concours/concours-charges-recherche-classe-normale-profil-h-f/cr-2024-mathnum-6

Contexte :
L’unité propre de recherche Mathématiques et Informatique Appliquées de Toulouse (MIAT) est une unité du département Mathématiques, informatique, sciences de la donnée et technologies du numérique (MathNum) d’INRAE. L’unité comporte deux équipes de recherche (SaAB et SCIDyn) et trois plateformes (GENOTOUL Bioinfo, RECORD et SIGENAE). Au sein de ce laboratoire, vous rejoindrez l’équipe Statistique et Algorithmique pour la Biologie (SaAB) composée de dix chercheurs et ingénieurs, une équipe pluri-disciplinaire en informatique/bioinformatique/statistique dont les applications scientifiques sont orientées vers la biologie.

L’équipe a développé des compétences sur le sujet des réseaux de neurones profonds, et plus particulièrement sur des réseaux de neurones capables d’utiliser ou de prédire des informations structurées (par exemple des graphes). L’équipe est aussi porteuse de la chaire “Design using intuition and logic” (DIL) de l’Institut Toulousain d’Intelligence Artificielle (ANITI).

Sujet :
Vous renforcerez la synergie de l’équipe autour du thème central de l’apprentissage et compléterez les compétences déjà présentes sur la thématique de l’apprentissage profond. En votre qualité de chercheur·e spécialiste de ce domaine, vous serez capable de proposer des solutions/architectures originales pour les problèmes d’apprentissage d’objets structurés avec des approches neuronales. L’un des principaux verrous méthodologiques concerne le développement d’hybridations originales entre l’optimisation discrète (pour la recherche de structure) et l’optimisation continue (sur laquelle les réseaux de neurones sont basés). Ces questions sont d’un grand intérêt pour diverses problématiques abordées dans l’équipe : inférence de réseaux de gènes, design de protéines, prédiction de phénotypes, annotation automatique de génomes.

Profil du candidat :
Vous êtes titulaire d’un doctorat ou équivalent. Vous avez une expérience de recherche sur les aspects méthodologiques de l’apprentissage (machine et deep learning). Des compétences scientifiques complémentaires orientées vers les réseaux de neurones pour graphes, l’apprentissage d’objets structurés ou les modèles graphiques seraient appréciées.

De même, une connaissance des applications en biologie moléculaire et génomique n’est pas indispensable mais serait un plus. Vous avez le goût du travail en équipe et un très bon relationnel. Vous faites preuve d’initiative et d’autonomie.

La maîtrise de l’anglais est souhaitée ainsi qu’une expérience internationale de longue durée : les lauréats qui n’en auraient pas encore réalisé seront fortement incités à effectuer un séjour à l’étranger co-construit avec l’équipe d’accueil à l’issue de l’année de stage.

Formation et compétences requises :
Concours ouvert aux candidats titulaires d’un doctorat (ou équivalent).

Adresse d’emploi :
INRAE, Unité MIAT, Toulouse

We are looking for strongly motivated M2 students with a solid background on probability, statistics and optimization for a 4- to 6-month research internship in 2024, focused on the analysis of tensor decomposition methods for machine learning in the large-data regime. The student will be co-supervised by Henrique Goulart, Assistant Professor at Toulouse INP/ENSEEIHT and member of the Institut de Recherche en Informatique de Toulouse(IRIT), and Xiaoyi Mai, Assistant Professor at the University of Toulouse and member of the Institut de Mathématiques de Toulouse (IMT). This internship will be fully funded by CIMI.

A detailed description of this position can be found at : https://cloud.irit.fr/s/KgX5vKH81DQwYG7

Un poste de professeur(e), section 26, en statistique, devrait mis au concours en 2024 à l’Université de Pau et des Pays de l’Adour pour une prise de fonction en septembre 2024. Le poste sera rattaché au Laboratoire de Mathématiques et de leurs Applications de Pau (LMAP UMR CNRS 5142) pour la recherche et au département Science des Données (SD) de l’IUT des Pays de l’Adour pour l’enseignement. Le LMAP et le département SD se trouvent sur le campus palois de l’Université de Pau et des Pays de l’Adour.

Attention : date limite de candidature non encore connue