Localisation d'anomalies et optimisation des itinéraires dans un cadre général d'IA pour l'optimisation combinatoire dans les graphes temporels // Learning to localize anomalies and optimize itineraries through a general AI framework for combinatorial opt

Ce projet explore l'utilisation de l'IA pour résoudre des problèmes d'optimisation combinatoire dans des graphes temporels, présents dans des domaines tels que l'Industrie 4.0, les transports intelligents et les systèmes de communication. Les principaux défis concernent l'identification de sous-ensembles optimisant des propriétés comme la densité, les anomalies, ou itinéraires, des problèmes NP-difficiles actuellement résolus par des heuristiques offrant des solutions sous-optimales.

Le projet a trois objectifs : (i) développer un cadre d'IA adapté à ces problématiques, en tirant parti des récentes avancées des réseaux neuronaux pour graphes statiques ; (ii) concevoir une architecture neuronale inspirée du traitement du signal, opérant dans un domaine spectral pour filtrer les liens n'appartenant pas à une solution ; (iii) explorer deux applications : la localisation d'anomalies dans l'IoT industriel et l'identification d'itinéraires optimaux dans les réseaux de transport, avec l'ambition de surpasser les solutions existantes en termes d'efficacité et de qualité.

Les résultats attendus incluent le premier cadre d'IA pour l'optimisation combinatoire dans les graphes temporels, une architecture neuronale basée sur le traitement du signal, ainsi que des solutions de pointe pour les applications ciblées. Ce projet s'inscrit dans la mission du LISIC de promouvoir des méthodes d'apprentissage automatique innovantes et de proposer des solutions aux problèmes complexes d'optimisation.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project explores using machine learning to solve combinatorial optimization problems in temporal graphs, which model time-stamped interactions between nodes, and are found in domains like Industry 4.0, smart transportation, and communication systems. Key challenges include optimizing properties such as density, anomaly scores, and itineraries. These problems are NP-hard, with current heuristic and approximation methods offering suboptimal tradeoffs.

The project has three goals. First, the development of an end-to-end learning framework tailored to solving combinatorial problems in temporal graphs by building on recent advances in static graph neural networks. Second, it will design a new neural architecture rooted in signal processing principles, working in a spectral domain where it is easier to filter-out links not belonging to a solution. Finally, the project will focus on two high-impact applications: anomaly localization in Industrial IoT and temporal graph exploration in transportation networks, aiming to outperform state-of-the-art algorithms in both efficiency and solution quality.

Expected outcomes include the first AI-based framework for combinatorial optimnization in temporal graphs, a neural architecture rooted in signal processing, and state-of-the-art solutions for critical applications. This project aligns with the LISIC laboratory's mission to advance innovative machine learning methods and pioneer solutions to optimization challenges.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://lisic-prod.univ-littoral.fr/

Autre financement public

ANR Financement d'Agences de financement de la recherche

Université du Littoral Côte d'Opale

585 Sciences, Technologie, Santé

Les compétences attendues du candidat sont : - Master ou diplôme d'ingénieur dans le domaine du traitement du signal ou de l'informatique - Très bonnes connaissances des techniques de machine learning, d'optimisation combinatoire, de modélisation des graphes - Très bon niveau en anglais - Curiosité, autonomie, rigueur.
The candidate should have the following skills and qualifications: - A Master's degree or engineering diploma in the field of signal processing or computer science - Extensive knowledge of machine learning, combinatorial optimisation and graph modelling techniques - A very good level of English - Curiosity, autonomy and rigour