Postdoktor i datavetenskap, inriktning mot federerad maskininlärning - Befattningen är under tillsättning eller redan tillsatt, och det är inte längre möjligt att lämna in en ansökan

Institutionen för datavetenskap vid Umeå universitet (http://www.cs.umu.se) söker en postdoktor med fokus på resurssnål federerad inlärning för att bevara säkerhet och integritet i edge-infrastrukturer. Sista ansökningsdatum är 20 februari 2020.

WASP
Projektet är en del av Wallenberg AI, Autonomous Systems and Software Program (WASP), Sveriges största enskilda forskningsprogram någonsin! WASP är ett nationellt initiativ för strategisk grundforskning, utbildning och rekrytering. Programmet har initierats och finansieras av Knut och Alice Wallenbergs stiftelse (KAW). WASP:s vision är forskningsexcellens och kompetens inom artificiell intelligens, autonoma system och mjukvara, till gagn för såväl samhälle som industri. För mer information om forskning och andra aktiviteter se http://wasp-sweden.org/ .

Projektbeskrivning och arbetsuppgifter
Den snabba tillväxten av autonoma system inom olika tillämpningar innebär bland annat utmaningar när det gäller att hantera petabytes av data. Datats storlek och multidimensionella karaktär gör att maskininlärningsmodellerna blir större och mer komplexa. Klassiska centraliserade metoder för inlärning och slutsatsdragande drabbas av problem med resurs- och lagringsbegränsningar, begränsningar i nätverksbandbredd, lång väntan på svar, energieffektivitet med mera. Detta projekt fokuserar på design och implementation av resurssnåla och robusta federerade inlärningsalgoritmer för att bevara säkerhet och integritet, som är idealiska för stora datamängder och edge-infrastrukturer.

Detta projekt använder federerade inlärningstekniker för att förbättra state-of-the-art maskininlärningsalgoritmer som använder geografiskt distribuerade känsliga data. Federerade inlärningsalgoritmer möjliggör storskaliga distribuerade noder, i form av mobila enheter som tränar globalt delade modeller utan att släppa på rådata-sekretessen. Sofistikerade angripare försöker utnyttja begränsningarna hos data, modeller, målgrupp(er), resurser och kommunikationsvägar för att vilseleda federerade inlärningsalgoritmer och även för att angripa säkerhet och integritet. Genom att skapa unika funktioner hos de federerade inlärningsalgoritmerna (t.ex. decentraliserad optimering, heterogenitet, kostnadseffektiv kommunikationsarkitektur, modellagnostiskt lärande och robusthet), hanterar detta projekt problemen med begränsade resurser, beräkning, kommunikation och energieffektivitet med målet att bevara säkerhet och integritet. Som resultat förbättrar dessa funktioner säkerheten hos tjänster och diagnosförmågan hos edge-infrastrukturer.

Förutom egen forskning förväntas innehavaren bidra till den lokala forskningsmiljön genom att aktivt delta i institutionens och forskargruppers aktiviteter som workshops, seminarier etc. Främst förutses samarbete med forskningsgruppen inom distribuerade system, men samarbete med forskare i t.ex. maskininlärning, matematisk statistik, optimering, djupinlärning, pålitligt lärande eller artificiell intelligens förväntas. (För mer information se www.cloudresearch.org).

Om anställningen
Anställningen omfattar heltid (100 %) under två år. Postdoktorer erbjuds vanligtvis möjligheten att få undervisningserfarenhet på lämpliga grundutbildningskurser. Förväntat startdatum är 1/5 2020 eller enligt överenskommelse.

Kvalifikationer
Behörig för att anställas som postdoktor är den som har avlagt doktorsexamen eller utländsk examen som bedöms motsvara doktorsexamen i artificiell intelligens, maskininlärning, datavetenskap eller annat relevant ämnesområde. Examen ska vara avlagd högst tre år före ansökningstidens utgång om inte särskilda skäl föreligger.

Sökande ska ha mycket goda kunskaper i maskininlärningstekniker (helst federerad inlärning och pålitlig inlärning). Dokumenterad kunskap om datasekretess, databearbetning, djupinlärning, hot mot maskininlärning, säkerhets- och prestationsanomalier är ett krav. I synnerhet bör kandidater vara väl bekanta med modellering och implementation av decentraliserade inlärningsmodeller för att säkerställa säkerhet och integritet när data är geografiskt distribuerade och känsliga.

Eftersom forskningen bedrivs i en internationell forskningsmiljö krävs förmåga till såväl självständigt arbete som att samarbeta och bidra till lagarbete. Mycket goda kunskaper i talad och skriven engelska krävs.

Eftersom vi strävar efter en mer balanserad könsfördelning inom institutionen uppmuntrar vi kvinnor som sökande.

Ansökan
En fullständig ansökan ska innehålla:

• Ett följebrev med en kort (cirka 2 sidor) beskrivning av dina forskningsintressen relaterade till ovan beskrivna ämnen, och hur din expertis passar utlysningen,
• Curriculum Vitae (CV), med en komplett publikationslista
• Kopior av doktorsexamensbevis och andra relevanta examensbevis samt studieutdrag inklusive kurser med betyg,
• En kopia av din doktorsavhandling, samt kopior av högst fem relevanta vetenskapliga publikationer, numrerade enligt publikationslistan,
• Kontaktinformation till tre referenspersoner
• Annan information som är relevant för din ansökan, t ex en beskrivning av dina erfarenheter av mjukvaruutveckling, eller erfarenheter från industrin.

Ansökan ska vara skriven på engelska eller svenska. Dokument måste vara i Word- eller pdf-format. Ansökan ska lämnas elektroniskt genom e-rekryteringssystemet vid Umeå universitet. Sista ansökningsdag är den 20/2 2020. Referensnummer: AN 2.2.1-1888-19.

För ytterligare information kontakta biträdande lektor Monowar Bhuyan, monowar@cs.umu.se, eller professor Erik Elmroth; elmroth@cs.umu.se

Institutionen för datavetenskap är en dynamisk institution med ca 120 anställda från drygt 20 länder. Vi bedriver utbildning och forskning inom ett brett spektrum av det datavetenskapliga området. Forskargruppen Distribuerade system har sitt fokus på design, utveckling och användning av distribuerade inlärningsalgoritmer för (autonom) resurs- och applikationshantering inom olika typer av IoT, datormoln och distribuerade system.