Doktorand i datavetenskap med inriktning mot pålitlig anomalidetektion - Befattningen är under tillsättning eller redan tillsatt, och det är inte längre möjligt att lämna in en ansökan

Umeå universitet söker en doktorand i datavetenskap med inriktning mot pålitlig maskininlärning för anomalidetektion. Anställningen är placerad vid institutionen för datavetenskap. Forskarutbildningen omfattar motsvarande fyra års heltidsstudier. Sista ansökningsdag är 25-04-2021.

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). WASPs 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/ .

Forskarskolan inom WASP erbjuder grunder, nya perspektiv och spetskunskap inom olika vetenskaper med undervisning av ledande forskare. Genom ett ambitiöst program med forskningsbesök, partneruniversitet och besökande föreläsare stödjer forskarskolan aktivt byggandet av ett starkt tvärvetenskapligt och internationellt professionellt nätverk mellan doktorander, forskare och industrin. Den erbjuder ett mervärde utöver universitetens existerande doktorandprogram och en unik möjlighet för studenter som lockas av internationell forskning i världsklass med hög industriell relevans.

Projektbeskrivning

Klassiska maskininlärningsalgoritmer är mer pålitliga än djupinlärning eftersom de är mindre komplexa och mer transparenta. Å andra sidan har de stora nackdelar. Användningen av maskininlärning för att försvara datorsystem mot en ökande mängd attacker på säkerhet och integritet innebär utmaningar för att säkerställa exakta och robusta modeller. Säkerhet och integritet hos inlärningsmodeller ignoreras i stor utsträckning, fastän detta är en nyckelfråga inom tillämpningsområden som hälsovård, fordonsindustri, robotik, industri 4.0 och cyberfysiska system, områden där säkerhet och trygghet är avgörande. Attacker kan manipulera, undvika, lura och vilseleda inlärningsmodellerna eller systemen på alla nivåer, t.ex. data, modell och utdata. Dagens detekterings- och försvarsmodeller har katastrofala prestanda, skapar inte trygghet och integritet för användarna, och kan innebära betydande ekonomiska förluster för molntjänstleverantörer. Därför måste de föreslagna modellerna för upptäckt, försvar och grundorsaksanalys vara mer robusta och motståndskraftiga mot attacker på säkerhet och integritet.

Projektets mål är främst att utveckla pålitliga inlärningsmetoder för detektion av och försvar mot anomalier, samt analys av grundorsaken till anomalier, med syfte att öka inlärningsmodellens robusthet, anpassningsförmåga, elasticitet och transparens. Vi analyserar tre primära kategorier av anomalier, nämligen säkerhet, funktion och prestanda. Vi avser att designa och implementera pålitliga maskininlärningsalgoritmer för anomalidetektering, försvar och analys av grundorsaker i en fientlig omgivning. Algoritmerna undersöker noggrant indata, modell och utdata, och utnyttjar (a) geometrisk och statistisk fördelning av data, (b) fientliga funktioner med stor attackvariation, (c) intern beteendeanalys av modeller, (d) modell-agnostisk sårbarhetsanalys, (e) säkerhets- och integritetsmedveten design av modeller för att hantera ökande fientliga attacker. Dessa algoritmer kommer att förbättra prestanda, skalbarhet, robusthet och transparens hos data, modeller, och inferensmetoder. De har också stor potential för tillämpning på hybridmoln, Internet of Things (IoT), hälsovård och industri 4.0 under fientliga förhållanden

Anställningen är avsedd för forskarstudier i datavetenskap inom forskargruppen Autonoma distribuerade system, men samarbete med forskare i t.ex. maskininlärning, matematisk statistik, optimering, pålitligt inlärande, djupinlärning, eller artificiell intelligens förväntas. (För mer information se www.cloudresearch.org).

Kvalifikationer

De grundläggande behörighetskraven för att bli antagen till utbildning på forskarnivå är avlagd examen på avancerad nivå, eller slutförda kurser om minst 240 högskolepoäng, varav minst 60 högskolepoäng på avancerad nivå, eller motsvarande utländsk utbildning, eller motsvarande kvalifikationer.

De särskilda behörighetskraven för att antas till utbildning på forskarnivå i datavetenskap är slutförda kurser på avancerad nivå om minst 90 högskolepoäng i datavetenskap eller i ett annat ämne som bedöms vara direkt relevant för den aktuella forskningsinriktningen.

Dokumenterad kunskap om och en solid bakgrund inom maskininlärning och IT-säkerhet eller distribuerade system är ett krav. Forskningen är till stor del tvärvetenskaplig och en bred kompetensprofil och erfarenhet från andra relevanta områden (såsom maskininlärning, distribuerad inlärning, fientlig inlärning, IoT, diskret optimering och statistiska metoder) är en merit.

Viktiga personliga egenskaper är, förutom kreativitet och nyfikenhet, förmågan att arbeta både självständigt och i grupp och erfarenhet av vetenskapliga interaktionen med forskare från andra discipliner och i andra länder. Förmåga att både tala och skriva engelska flytande är ett krav.

Om anställningen

Anställningen är avsedd för forskarstudier syftande till en doktorsexamen och är tidsbegränsad till motsvarande fyra år heltid eller upp till fem år vid undervisning deltid (max 20%). Deltagande i WASP:s forskarskola ingår i studierna. Tillträde snarast möjligt eller enligt överenskommelse.

Ansökan

En fullständig ansökan ska innehålla:

• Ett personligt brev med kort beskrivning av dina forskningsintressen och en motivering varför du söker, samt din kontaktinformation
• En meritförteckning (CV)
• I förekommande fall kopior av kandidat- och masteruppsatser, samt andra vetenskapliga publikationer
• Styrkta betygskopior, examensbevis, samt dokumentation över avslutade akademiska kurser
• Kontaktinformation för två tillfrågade kontaktpersoner
• Dokumentation av andra relevanta erfarenheter och kompetenser, såsom mjukvaruutveckling eller arbete inom eller med industrin.

Ansökan ska vara skriven på svenska eller engelska. Bifogade dokument ska vara i Word eller pdf-format. Ansökan ska göras via Umeå universitets e-rekryteringssystem och vara inkommen senast 25-04-2021.

Institutionen värdesätter de kvaliteter som en jämn könsfördelning tillför verksamheten. Vi ser därför gärna kvinnor som sökande till befattningen.

Enligt Högskoleförordningen (12 kap, 2§) kan beslutet om anställning inte överklagas.

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 130 anställda från drygt 20 länder. Vi bedriver utbildning och forskning inom ett brett spektrum av det datavetenskapliga området. Forskargruppen Autonoma distribuerade system har sitt fokus på design, utveckling och användning av distribuerade inlärningsalgoritmer för (autonom) resurs- och applikationshantering inom olika typer av IoT, IIoT, datormoln, hybridmoln och storskaliga komplexa system.

Välkommen med din ansökan!