Description

Ce projet de thèse vise à répondre à cette problématique en proposant des algorithmes efficaces, s’appuyant sur des techniques récentes d’apprentissage automatique (comme les marches aléatoires contrôlées combinées à l’apprentissage par renforcement). L’objectif est de développer des méthodes capables de détecter automatiquement les points faibles d’un réseau, même à grande échelle, afin de renforcer sa résilience face aux cybermenaces.

Compétences requises

Les candidatures doivent avoir des compétences en mathématiques appliquées (modélisation stochastique, optimisation, graphes) et en informatique (python ou matlab) pour du calcul scientifique et simulations.

Bibliographie

[1] P. Di Lorenzo, S. Barbarossa, Distributed estimation and control of algebraic connectivity over random graphs, IEEE Transactions on Signal Processing, vol. 62, no. 21, pp. 5615–5628, 2014.
[2] S. Barbarossa, S. Sardellitti, P. Di Lorenzo, Distributed detection and estimation in wireless sensor networks, Academic Press Library in Signal
Processing, vol. 2, pp. 329–408, 2014.
[3] U. Helmke, J. B Moore, Optimization and dynamical systems, Springer
Science Business Media, 2012.
[4] M. Abdullah, A. Reiffers-Masson, T. Chonavel, Y. Hayel, Adaptive sampling for online learning spectral properties of networks, in proc. of IEEE
CDC, 2023.
[5] H. Zang, S. Reddi, Fast Stochastic Optimization on Riemannian Manifolds,
in proc. of Neural Information Processing Systems, 2016.

Mots clés

apprentissage automatique, réseaux, théorie des graphes, modèles stochastiques, cybersécurité, théorie des jeux