Thèse Apprentissage de Graphes Causaux Dynamiques dans les Systèmes Climatiques H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : [CVN] Centre de la Vision Numérique Direction de la thèse : Emilie CHOUZENOUX ORCID 0000000336316093 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-10T23:59:59 Les jeux de données climatiques modernes se caractérisent par des systèmes de grande dimension, partiellement observés et avec une évolution dynamique [5]. L'identification de la structure de dépendance sous-jacente est essentielle à l'interprétation et à la prédiction. Ce projet de thèse vise à développer une nouvelle classe de modèles d'espace d'état [4] pour les données climatiques, dans lesquels les dynamiques latentes sont représentées par des graphes parcimonieux et structurés encodant les relations de causalité au sens de Granger. En s'appuyant sur des avancées récentes de l'équipe encadrante en inférence graphique pour les systèmes dynamiques [1,2,3] , le projet étendra les modèles existants à un cadre non stationnaire et en ligne, permettant à la structure du graphe d'évoluer au cours du temps.

Une attention particulière sera portée à l'intégration de connaissances a priori (par exemple des contraintes physiques, des motifs de connectivité connus ou des régularités structurelles) directement dans le modèle et dans les problèmes d'optimisation associés. Cela conduit à des problèmes d'inférence de graphes en grande dimension, nécessitant la conception d'algorithmes d'optimisation efficaces avec des garanties de convergence. Le cadre proposé permettra également de quantifier les incertitudes à la fois sur les états latents et sur les structures apprises, et sera évalué sur des jeux de données climatiques, y compris dans des contextes comportant des observations manquantes ou bruitées.

Les applications potentielles incluent l'analyse de la variabilité climatique à grande échelle ainsi que la détection précoce de signaux annonciateurs de points de bascule. Le projet s'appuie sur une collaboration existante entre Emilie Chouzenoux (directrice de recherche Inria, CVN, CentraleSupélec), et Victor Elvira (professeur à l'Université de Edimbourg, School of Mathematics). The objective is to develop scalable and theoretically grounded methods for learning time-varying causal graphs in high-dimensional climate systems. This includes (i) designing structured state-space models with embedded prior knowledge, (ii) developing online optimization and inference algorithms, and (iii) providing uncertainty quantification for both dynamics and structure.

Etudiant ayant une formation d'excellence en sciences de l'ingénieur / traitement du signal / statistiques / optimisation. Titulaire d'un master 2 ou d'un diplôme d'ingénieur dans le domaine des sciences des données.
Bon niveau en programmation Python.
Bon niveau en communication orale/écrite en anglais scientifique.
Motivation pour la recherche dans le domaine académique.