Post-doctorat en interprétabilité mécaniste et diversité des représentations

Institut Mines-Télécom · Brest, Bretagne, Francejunior

En corto

▸Postdoctorado en interpretabilidad mecánica y diversidad de representaciones en modelos de IA.
▸Trabajo diario con autoencoders, DPPs y análisis de representaciones en modelos de fundación (como REVE).
▸Proyecto innovador que estudia cómo la diversidad en datos y representaciones mejora el aprendizaje con poca anotación.

Publication and communication in English required.

En ~1 minuto te damos: quién te entrevista, las preguntas probables con respuestas desde tu CV, y tu CV adaptado a esta vacante. Gratis, sin tarjeta.

🎧¿Llegás a la entrevista? Llevá el copiloto. Nuestra extensión escucha la entrevista en vivo y te muestra anclas de 3-4 palabras desde tu CV y tu preparación — mirás, conectás, hablás. Gratis. Ver la extensión →

¿Qué piden?

✓Doctorado obtenido hace menos de 3 años.
✓Experiencia en aprendizaje automático, especialmente en modelos de fundación o transformers.
✓Conocimientos en interpretabilidad mecánica y análisis de activaciones.
✓Habilidades en programación (Python) y manejo de bibliotecas científicas (PyTorch, NumPy).
✓Experiencia en investigación publicada en conferencias de alto nivel (NeurIPS, ICML, etc.).
✓Capacidad de redacción científica en inglés y colaboración en equipo.

¿No cumplís todo? Es lo normal — tu dossier gratis te dice qué gaps tenés y cómo cubrirlos en la entrevista.

PythonPyTorchNumPySciPyJupyterGitDPP (Determinantal Point ProceAutoencoders parcimonieuxTransformersREVE

¿A quién escribirle en Institut Mines-Télécom?

Tu dossier gratis identifica a las personas que te entrevistarían — con su background, qué valoran y cómo escribirles para destacar antes de aplicar.

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. Le 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. 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. 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.

No apliques sin prepararte

Investigamos quién te entrevista, adaptamos tu CV y te ensayamos en vivo — gratis la primera.