Post-doctorant (F/H) Recherche Locale Pour Les

**Type de contrat **:CDD **Niveau de diplôme exigé **:Thèse ou équivalent **Fonction **:Post-Doctorant **Niveau d'expérience souhaité **:Jeune diplômé **A propos du centre ou de la direction fonctionnelle**: Le centre Inria de l'Université de Rennes est l'un des neuf centres d’Inria et compte plus d'une trentaine d’équipes de recherche. Le centre Inria est un acteur majeur et reconnu dans le domaine des sciences numériques. Il est au cœur d'un riche écosystème de R&D et d’innovation : PME fortement innovantes, grands groupes industriels, pôles de compétitivité, acteurs de la recherche et de l’enseignement supérieur, laboratoires d'excellence, institut de recherche technologique. **Contexte et atouts du poste**: La personne sera recrutée au sein de l'équipe LACODAM du centre Inria de Rennes. Ce centre de recherche se distingue par son excellence en recherche numérique et innovation technologique, propulsant des avancées majeures dans des domaines tels que l'intelligence artificielle, la cybersécurité et la santé numérique, tout en collaborant étroitement avec des acteurs industriels et académiques pour façonner les technologies de demain. La personne recrutée sera encadrée par Élisa Fromont et Romaric Gaudel, et travaillera en collaboration avec Paul Viallard. Tous trois sont des chercheuses et chercheurs en Machine Learning avec des publications dans les confeerences de premier plan sur les aspects théoriques du Machine Learning et notamment les problèmes de bandits manchots. L'objectif du projet est de résoudre une classe de problèmes d'optimisation combinatoire en présence de retours de type bandit-manchot par le biais d'approches s'appuyant sur des recherches locales. L'approche envisagée s'inscrit dans les approches d'apprentissage par renforcement et réduit fortement à la fois le regret et le coût de calcul liés à la recherche d'une politique optimale. Le problème applicatif considéré est le choix d'un sous-graphe connexe recouvrant dans le but de maximiser le flot. Dans le détail, on est face à un ensemble de noeuds qui désirent communiquer et un ensemble de connexions possibles entre ces noeuds. On désire maximiser le flot de communication, tout en minimisant le nombre d'arrêtes entre les noeuds. On cherche donc à identifier les arêtes à conserver dans ce but. Ce projet de recherche est financé dans le cadre d'une convention de partenariat entre Inria et l'agence de l'inovation de défense du ministère des armées français. **Mission confiée**: Ce problème d'optimisation fait parti de la famille des problèmes de conception de réseau de survie (CRS, ou Survivable Network Design) [1]. Nos travaux sur le sujet se distinguent par le fait que - (i) les paramètres du problème d'optimisation sous-jacent ne sont pas connus - (ii) à chaque pas de temps l'algorithme choisit un sous-réseau et observe le flot sur ce sous-réseau ; - et (iii) l'objectif de l'algorithme est de maximiser le flot moyen observé. Dans ce contexte, l'algorithme estime les paramètres du problème d'optimisation sous-jacent à partir du comportement du flot observé à chaque pas de temps. Mais comme les informations récoltées se limitent aux arêtes du sous-réseau choisi, on se retrouve confronté à deux options antagonistes : choisir à chaque pas de temps un sous-réseau qui est efficace d'après les données récoltées jusqu'à présent, ou "jouer" (i.e. sélectionner) un sous-réseau qui couvre des arêtes qui ont été peu testées pour vérifier leurs propriétés. Cela correspond au cadre des problèmes de bandits-manchots à bras multiples [2] sur un espace combinatoire. La résolution de problèmes combinatoires tels que le problème du voyageur de commerce et les problèmes de logistique (en présence d'incertitude sur les paramètres du problème) rentre parfaitement dans ce cadre. Mais ces problèmes sont moins traités par l'état de l'art car ils sont plus difficiles à résoudre, en raison notamment du très grand nombre d'options à considérer. Le projet proposera donc des algorithmes de bandit-manchots dédiés au problème CRS. **Références**: - [1] Lap Chi Lau, Joseph (Seffi) Naor, Mohammad R. Salavatipour, Mohit Singh. Survivable Network Design with Degree or Order Constraints. STOC’07. - [2] Auer, P.; Cesa-Bianchi, N.; and Fischer, P. 2002. Finite-time Analysis of the Multiarmed Bandit Problem. Machine Learning 47(2): 235-256. - [3] Camille-Sovanneary Gauthier, Romaric Gaudel, Elisa Fromont, Aser-Boammani Lompo. Parametric Graph for Unimodal Ranking Bandit. ICML'21 - [4] Camille-Sovanneary Gauthier, Romaric Gaudel, Elisa Fromont. UniRank: Unimodal Bandit Algorithm for Online Ranking. ICML'22 - [5] Richard Combes and Alexandre Proutière. Unimodal bandits: Regret lower bounds and optimal algorithms. ICML'14 **Principales activités**: Le projet proposera tout d'abord un algorithme de bandit-manchots s'appuyant sur une