Description
Date depot: 25 juin 2021
Titre: Enabling data-driven and AI-supported networking
Directeur de thèse:
Pietro MICHIARDI (Eurecom)
Encadrant :
Massimo GALLO (HUAWEI France)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: The objective of this PhD thesis is to work on novel methodologies to learn useful latent representations of data generated by the operation of communication networks. Such latent representations will be the result of a model that learns how to ingest multiple, diverse data sources, that will be merged in a latent variable structure. Modeling approaches will be generative, such that synthetic data can be generated. Latent representations will be used by downstream tasks to address applications such as anomaly/novelty detection.
The PhD thesis will also tackle the important problem of covariate shift, whereby the learned data distributions can shift in time.
Résumé dans une autre langue: L'objectif de cette thèse de doctorat est de travailler sur de nouvelles méthodologies pour apprendre des représentations latentes utiles, en partant des données générées par le fonctionnement des réseaux de communication. De telles représentations latentes seront le résultat d'un modèle qui apprend à ingérer des sources de données multiples et diverses, qui seront fusionnées dans une structure de variables latentes. Les approches de modélisation seront génératives, de sorte que des données synthétiques pourront être générées. Les représentations latentes seront utilisées par les tâches en aval pour traiter des applications telles que la détection d'anomalies/nouveautés.
La thèse de doctorat abordera également le problème important du changement de covariable, par lequel les distributions de données apprises peuvent changer dans le temps
Doctorant.e: Azorin Raphael