Postdoktor (2 år) inom datavetenskap med fokus på federerad inlärning - Befattningen är under tillsättning eller redan tillsatt, och det är inte längre möjligt att lämna in en ansökan

Institutionen för datavetenskap söker en postdoktor som ska arbeta med pålitlig federerad inlärning. Anställningen avser heltid under två år med tillträde enligt överenskommelse.

Institutionen för datavetenskap

Institutionen för datavetenskap har haft en expansiv tillväxt under de senaste åren. Att skapa en inkluderande forskningsmiljö där medarbetare har en hög delaktighet är en viktig faktor i vår hållbara utveckling. Som en del i denna tillväxt söker vi nu en postdoktor i federerad inlärning. Vår institution består av en diversifierad grupp människor från olika nationaliteter, bakgrunder och fält. Som postdoktor hos oss har du tillgång till stöd för din karriärutveckling, nätverk, administrativ och teknisk support samt goda anställningsvillkor.

För mer information besök
https://www.umu.se/institutionen-for-datavetenskap/

Forskargruppen för distribuerade system är internationellt välkänd och består av mer än 25 personer av 10 olika nationaliteter. Vi rekryterar för närvarande upp till 10 nya forskare. Gruppens forskning är inriktad på ("semi-)autonom hantering av resurser och tillämpningar för att stödja det framtida digitaliserade samhället. Målinfrastrukturen sträcker sig från enskilda storskaliga molndatacenter till mobila edge clouds och omfattar enskilda servrar, kluster eller disaggregerade system, t.ex. Rack-scale-system. Forskningen sträcker sig från grundforskning till tillämpad forskning och till och med innovation via spin-off-företag. Samarbeten sker med industrier som Google, IBM, Intel, Red Hat och Ericsson samt med universitet och institut som Princeton University, University of Massachusetts Amherst, Carnegie Mellon University, Princeton University, Lawrence Berkeley Lab, Nanyang Technical University i Singapore, Uppsala universitet, Lunds universitet, Universidad Complutense de Madrid, Leeds University, Barcelona Supercomputer Center, TU Vienna, TU Delft och många fler. Se www.cloudresearch.org för en presentation av gruppen samt en översikt över pågående forskningsprojekt och publikationslistor. För mer information om forskargruppen, se https://www.umu.se/en/research/groups/autonomous-distributed-systems-lab/.

Projektbeskrivning och arbetsuppgifter

Den snabba ökningen av autonoma system, uppkopplade enheter och distribuerade tillämpningar innebär utmaningar när det gäller att hantera petabytes av data i olika resursbegränsade miljöer. Federerad maskininlärning (FML) är samarbetsinlärning för att hantera dessa problem utan att dela data med centraliserade servrar. Flera nya hot är dock inriktade på FML-träning, inlärning och inferens för att misslyckas eller vilseleda modellerna i tidiga inlärningsrundor. Angriparna strävar efter att bryta tillförlitligheten enligt olika hotmodeller, till exempel angrepp från insiders och outsiders, halvt ärliga eller helt illasinnade deltagare och angrepp i tränings-, inlärnings- eller inferensfaserna. Detta leder till att inlärningsmodellerna inte ger godtagbara resultat. Det här projektet syftar därför till att utveckla och genomföra pålitliga federerade inlärningsalgoritmer för begränsade och varierande icke-iid (oberoende identiskt distribuerade) data i icke-standardiserade och antagonistiska miljöer, som lämpar sig utmärkt för miljöer med begränsningar och infrastrukturer för edge computing. Dessa mål kan nås genom att införa unika egenskaper i federerade inlärningsalgoritmer, till exempel decentraliserad utbildning, optimalt val av enhet, säker inlärning och inferens, feltolerans mot fel och attacker samt motståndskraftiga, rättvisa och robusta modeller. Ambitionen är att validera dem i klassiska icke-standardiserade miljöer och tillämpa dem på lösningar för miljöer med begränsningar (till exempel sakernas Internet (IIoT), hälso- och sjukvårdssystem, robotteknik) och edge-infrastrukturer. Eventuellt kan undervisning på upp till högst 20 % ingå i arbetsuppgifterna.

Wallenberg AI, Autonomous Systems and Software Program, WASP, är Sveriges största enskilda forskningsprogram i modern tid. Programmet skapar en plattform för akademisk forskning och utbildning i nära samarbete med ledande svensk teknikintensiv industri. Forskningen innefattar artificiell intelligens och autonoma system som verkar i samarbete med människor och som anpassar sig till sin omgivning med hjälp av sensorer, information och kunskap och skapar intelligenta system av system. WASPs vision är excellent forskning och kompetens inom artificiell intelligens, autonoma system och mjukvara till gagn för svensk industri. Läs mer: https://wasp-sweden.org/

Kvalifikationer

 Krav:
För att anställas med stöd av postdoktoravtalet krävs avlagd doktorsexamen eller en utländsk examen som bedöms motsvara doktorsexamen. Detta behörighetskrav ska vara uppfyllt senast vid tidpunkten då anställningsbeslutet fattas. För att anställas med stöd av postdoktoravtalet bör främst den komma ifråga som har avlagt examen enligt föregående stycke för högst tre år sedan. Om det finns särskilda skäl kan den komma i fråga som avlagt doktorsexamen tidigare. Med särskilda skäl avses ledighet på grund av sjukdom, föräldraledighet, förtroendeuppdrag inom fackliga organisationer, tjänstgöring inom totalförsvaret, eller andra liknande omständigheter samt klinisk tjänstgöring eller för ämnesområdet relevant tjänstgöring/ uppdrag. Postdoktor som ska undervisa eller handleda ska ha relevant högskolepedagogisk utbildning

Kandidaterna förväntas ha en solid grund i teori och algoritmer inom projektrelaterade områden, till exempel federerad maskininlärning, pålitliga system och distribuerade system, samt en utmärkt programmeringsförmåga. Goda kunskaper i engelska i både tal och skrift är ett nyckelkrav.

Förutom kreativitet och ett nyfiket sinne är viktiga personliga egenskaper bland annat förmågan att arbeta såväl självständigt som tillsammans med andra, antingen i en grupp eller utanför. Du förväntas också ha en vilja att kontinuerligt utveckla dig själv för att bli en kompetent och oberoende forskare.

Övriga önskvärda meriter:

Kunskap om och erfarenhet av federerade inlärningsalgoritmer, distribuerade algoritmer, inlärning med små data, datacentrerad optimering, motståndskraftig eller feltolerant inlärning, pålitlig inlärning, matematisk statistik, serverlösa system etcetera är önskvärt.

Ansökan

En fullständig ansökan ska innehålla

• - Personligt brev som beskriver hur din bakgrund är lämpar sig för denna anställning
• - Meritförteckning - CV med publikationslista,
• - Styrkt kopia av doktorsexamensbevis eller dokumentation som visar beräknat datum för doktorsexamen,
• - Styrkta kopior av andra examensbevis, akademiska kursintyg och/eller betyg,
• - Kopia av doktorsavhandling och eventuellt x antal relevanta artiklar,
• - Övriga handlingar som den sökande vill åberopa.
• - Kontaktuppgifter till referenspersoner

Ansökan ska vara skriven på engelska eller svenska. Ansökan görs genom vårt elektroniska rekryteringssystem. Handlingar som skickas elektroniskt ska vara i formaten Word eller PDF. Logga in på systemet och ansök via knappen i slutet av denna sida. Sista ansökningsdag är 30 maj 2023.

Närmare upplysningar lämnas av biträdande professor Monowar Bhuyan at monowar@cs.umu.se eller professor Erik Elmroth at elmroth@cs.umu.se