Post-doctorat en interprétabilité mécaniste et diversité des représentations
Référence : 2026-2405759
- Fonction publique : Fonction publique de l'État
-
Employeur :
IMT Atlantique
IMT Atlantique - Localisation : 655 Av. du Technopôle, 29280 Plouzané
Partager la page
Veuillez pour partager sur Facebook, Twitter et LinkedIn.
- Nature de l’emploi Emploi ouvert aux titulaires et aux contractuels
- Expérience souhaitée Non renseigné
-
Rémunération Fourchette indicative pour les contractuels 35800 € brut/an Fourchette indicative pour les fonctionnaires Non renseignée
- Catégorie Catégorie A (cadre)
- Management Non
- Télétravail possible Oui
Vos missions en quelques mots
Le projet explore cette question sur deux plans complémentaires : la diversité des données, soit le choix des exemples que l'on annote, conserve ou présente au modèle ; et la diversité des représentations, soit le choix des descripteurs, des contextes et des modèles que l'on exploite ou
combine. Les premiers résultats portent sur le décodage diversifié des modèles de langue à diffusion discrète et sur la localisation de l'information dans les représentations des transformers.
Le poste proposé porte sur le second plan, abordé par les outils de l'interprétabilité mécaniste. Page du
projet : https://bastienpasdeloup.github.io/endive/
MISSIONS
Les missions principales du poste sont les suivantes :
Définir et évaluer des critères de diversité dans l'espace des représentations des modèles de
fondation, en s'appuyant sur les outils de l'interprétabilité mécaniste.
2. Étudier le lien entre la diversité des données d'entraînement et la diversité des mécanismes internes
que les modèles acquièrent.
3. Contribuer à la production et à la diffusion scientifiques du projet.
ACTIVITÉS :
Critères de diversité dans les représentations :
• Entraîner et analyser des autoencodeurs parcimonieux sur les activations de modèles de
fondation, afin d'en extraire des descripteurs interprétables.
• Construire des noyaux de similarité entre ces descripteurs et évaluer, au moyen de processus
ponctuels déterminantaux, si un sous-ensemble divers en fournit une couverture plus
compacte que la seule importance individuelle.
• Mesurer l'effet de ces critères sur des tâches aval en régime peu annoté, et comparer les
profondeurs du réseau auxquelles les représentations sont lues.
2. Diversité des données et diversité des mécanismes :
• Comparer les descripteurs retrouvés par des autoencodeurs parcimonieux entraînés sur des
modèles nourris de régimes de données différents, et quantifier leur recouvrement.
• Évaluer la stabilité de ces descripteurs d'un entraînement à l'autre, afin de distinguer les
mécanismes reproductibles des artefacts d'optimisation.
• Mettre ces mesures en relation avec les procédures de curation étudiées dans le projet, en
particulier pour les modèles de langage à diffusion discrète.
3. Production scientifique et vie du projet :
• Rédiger et soumettre les résultats obtenus dans des conférences et revues internationales.
• Publie le code et les protocoles expérimentaux nécessaires à la reproductibilité des résultats.
Profil recherché
Niveau de formation et/ou expérience minimums requis :
🎓 Doctorat obtenu moins de 3 ans avant la date d'embauche, en apprentissage automatique, informatique, traitement du signal ou mathématiques appliquées.
Compétences, connaissances et expériences indispensables :
✔️ Solide maîtrise de l'apprentissage profond et de ses fondements mathématiques.
✔️ Pratique courante de Python et d'un cadre d'apprentissage profond, PyTorch de préférence.
✔️ Expérience de travail sur des architectures de type transformer, et capacité à instrumenter leurs représentations internes.
✔️ Autonomie dans la conduite d'expériences sur GPU, y compris sur une infrastructure de calcul partagée.
🇬🇧 Publications dans des conférences ou revues internationales du domaine, et très bon niveau d'anglais scientifique, écrit comme oral.
Compétences, connaissances et expériences souhaitables :
✨ Connaissance de l'interprétabilité mécaniste : autoencodeurs parcimonieux, sondes linéaires, analyse de circuits.
✨ Familiarité avec les processus ponctuels déterminantaux, ou plus généralement avec les méthodes d'échantillonnage et l'algèbre linéaire aléatoire.
✨ Intérêt pour les modèles de langage à diffusion discrète.
✨ Expérience du calcul distribué multi-GPU et d'un ordonnanceur de type SLURM.
Capacités et aptitudes :
✔️ Autonomie scientifique et goût pour les questions ouvertes, le poste comportant une part exploratoire assumée.
✔️ Rigueur expérimentale et attention portée à la reproductibilité.
✔️ Goût du travail collectif : le poste est en interaction directe avec plusieurs doctorants du projet.
✔️ Qualités rédactionnelles, et capacité à présenter des résultats à un public non spécialiste.
INFORMATIONS COMPLÉMENTAIRES
• La maîtrise du français n'est pas requise : l'anglais est la langue de travail de l'équipe dès qu'un de ses membres n'est pas francophone.
• Les publications issues du projet sont déposées
Niveau d'études minimum requis
- Niveau Niveau 8 Doctorat/diplômes équivalents
Localisation
Éléments de candidature
Documents à transmettre
Qui sommes-nous ?
Grande école d’ingénieur généraliste de l’IMT-Institut Mines-Télécom, premier groupe d’écoles d’ingénieurs de France, IMT Atlantique a pour ambition d’accompagner les transitions, de former des ingénieurs responsables et mettre l'excellence scientifique et technique au service de l'enseignement, de la recherche et de l'innovation.
Descriptif du service
e poste est basé à Brest, au sein de l'équipe BRAIN (BRoader Artificial INtelligence) du Lab-STICC (UMR CNRS 6285). L'équipe travaille sur les fondements de l'apprentissage automatique (représentations, apprentissage frugal, modèles de fondation, traitement du signal) et sur leurs applications, en particulier en santé. Elle a récemment développé REVE, un modèle de fondation pour l'électroencéphalographie pré-entraîné sur plus de 25 000 sujets (NeurIPS 2025), et s’intéresse aux modèles de langage à diffusion discrète et sur l'interprétabilité mécaniste.
Le projet ENDIVE étudie ce que la diversité peut apporter à l'apprentissage automatique lorsque le budget porte sur le nombre d'exemples annotés plutôt que sur la puissance de calcul. Dans ce régime, ce qu'apporte un nouvel exemple ne dépend plus seulement de sa qualité propre, mais de ce qui le distingue de ceux déjà vus. Le point d'entrée technique du projet est l'échantillonnage à garanties de diversité, et en particulier les processus ponctuels déterminantaux (DPP), dont la matrice de noyau encode à la fois la pertinence des points et leur similarité.
À propos de l'offre
-
POURQUOI NOUS REJOINDRE :
👉 Environnement exceptionnel de travail
👉 Ecosystème d’innovation stimulant (startups, étudiants, recherche, entreprises)
👉 Collaborations avec des organismes de recherche renommés
👉 Collaboration avec le milieu industriel
LE PLUS :
🥗 Restauration collective sur place
🏃♀️ Offres de loisirs/sport
🚌 Prise en charge des transports en commun
🚴♂️ Forfait mobilité durable (pour le covoiturage ou les trajets en vélo)
👨👩👧👦 Complément familial
💶 Large gamme de prestations sociales
🖥️ Télétravail partiel possible
🌴 Nombreux congés
INDICATIONS DE REMUNERATION :
💰 Rémunération indicative : 35 800€ brut annuel, selon le profil et l’expérience (charges salariales réduites en secteur public).
-
Vacant à partir du 01/01/2027
-
Chercheuse / Chercheur
