Postdoktor i maskininlärning - Under tillsättning eller tillsatt, ej sökbar

Särskild ämnesbeskrivning
Black-box-optimering är en variant av funktionsoptimering där funktionerna endast kan räknas ut genom numerisk simulering och för vilka partiella derivator är antigen okända eller odefinierade. En metod att optimera sådana funktioner bygger på en följd av funktionsuträkningar för att bygga och förbättra en surrogatmodell som sedan används for att köra optimeringen. Även om den är mycket effektiv, är denna modellbaserade metod vanligtvis beräkningsintensiv och blir opraktisk när antalet inputvariabler är större än några dussin och när flera kriterier måste vägas in samtidigt.

Målet med detta projekt, som är finansierat av WASP (Wallenberg AI, Autonomous System and Software Programme, http://wasp-sweden.org), är att introducera innovativa algoritmer och metodologier för att övervinna begränsningar av black-box-optimering. Detta forskningsämne ligger i gränslandet mellan det bredare området Black-box- optimering och statistisk maskininlärning. Projektet ska utveckla statistiska metoder för att bygga surrogatmodeller. De modellerna ska sedan kunna undersökas med hjälp av bayesiansk optimering och liknande metoder för att identifiera processparametrarna som optimerar baserat på flera kriterier, eller som maximerar informationen man får genom experiment. Användning av bayesianska statistiska metoder förstärkta med a-priori-kunskap ska möjliggöra kombination av information från fler källor, t.ex. från experiment av olika slag, medan osäkerheten ska hanteras på ett rigoröst och enhetligt sätt. De nya algoritmerna och metodologierna ska testas i en mängd syntetiska och verkliga applikationer som automatiserad maskininlärning (AutoML), automatiserad konfigurering av kompilatorer och hårdvarudesign.

Detta projekt är ett samarbete med Stanford University. Den anställde ska uppmuntras att utnyttja utbytesprogram med Stanford för att garantera kontakter med samarbetspartners.

Intresseområden:

• Black-box-optimering;
• Derivatafri optimering (DFO);
• Bayesiansk optimering;
• Algoritmkonfigurering och -urval;
• Aktiv inlärning;
• Automatiserad maskininlärning (AutoML);
• Sökning för neurala arkitekturer (NAS);
• Hyperparameteroptimering;
• Inlärning av inlärning;
• Meta-inlärning och transferinlärning;
• Återkopplad inlärning (RL);
• Evolutionära algoritmer (EA);
• Diskret optimering och lösning av NP-svåra problem;
• Databaserad algoritmanalys, viktning av hyperparametrar, etc.

Några tillämpningar av intresse:
Bildklassificering. Naturligt språkbehandling. Utforskning av designrymder. Optimerande kompilatorer. Hårdvarudesign.

Arbetsuppgifter
I arbetsuppgifterna som postdoktor ingår främst att bedriva forskning. Undervisning kan ingå i arbetsuppgifterna, dock högst en femtedel av arbetstiden. Inom ramen för anställningen ges det möjlighet till tre veckors högskolepedagogisk utbildning. Arbetsuppgifterna innefattar även:

• Handledning av examensarbetare och doktorander.
• Arbeta med att söka extern forskningsfinansiering.
• Samverkan med näringsliv och samhälle.
• Administration kopplat till arbetsuppgifterna ovan.

Behörighet
Behörig att anställas som postdoktor är den som avlagt doktorsexamen, eller utländsk examen som bedöms motsvara doktorsexamen, inom anställningens ämnesområde och som avlagts högst tre år före ansökningstidens utgång. Om det finns särskilda skäl kan doktorsexamen ha avlagts tidigare.

Övriga krav:

• Mycket goda kunskaper i engelska, i tal och skrift.

Bedömningsgrunder
Detta är en meriteringsanställning främst inriktad på forskning. Anställningen är tänkt som ett inledande steg i karriären och bedömningen av de sökande kommer i första hand att baseras på deras vetenskapliga meriter och potential som forskare. Särskild vikt kommer att fästas vid vetenskaplig förmåga inom ämnesområdet. Vid anställning av postdoktor ska följande utgöra grund för bedömning:

• God förmåga att utveckla och genomföra forskning av god kvalitet.
• Pedagogisk förmåga.

Övriga meriter:

• Doktorsavhandling inom statistisk maskininlärning och/eller datorseende, med fokus på black-box-optimering och AutoML.
• Goda programmeringskunskaper i Python eller motsvarande och/eller kunskaper i kompilatorteknik och hårdvaruacceleratorer är önskvärda.

Hänsyn kommer också att tas till god samarbetsförmåga, driv och självständighet samt hur den sökande genom sin erfarenhet och kompetens bedöms komplettera och stärka pågående forskning inom institutionen samt bidra till dess framtida utveckling.

Villkor
Anställningen är tidsbegränsad till 2 år och avser heltid. Anställningen tidsbegränsas enligt avtal, “Avtal om tidsbegränsad anställning som postdoktor”, mellan arbetsmarknadens parter daterat 2008-09-04 (Arbetsgivarverket, OFR:s, Saco-S och SEKO).

Instruktioner för ansökan
Ansökan ska skrivas på engelska. Vänligen redovisa dina meriter enligt LTHs akademiska meritportfölj, se länk nedan. Ladda upp som PDF-filer i rekryteringssystemet. Läs mer här: Att söka läraranställning vid LTH

Universitetet tillämpar individuell lönesättning. Ange gärna löneanspråk i din ansökan.