Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Certification de la non-occurence d'événements dans les grands modèles Vidéo-langage


Détail de l'offre

Informations générales

Entité de rattachement

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

• La conscience des responsabilités
• La coopération
• La curiosité
  

Référence

SL-DRT-27-0397  

Direction

DRT

Description du sujet de thèse

Domaine

Défis technologiques

Sujets de thèse

Certification de la non-occurence d'événements dans les grands modèles Vidéo-langage

Contrat

Thèse

Description de l'offre

La fiabilité des modèles d'intelligence artificielle capables d'analyser des vidéos (Video Large Language Models) constitue un enjeu majeur, notamment dans les domaines applicatifs où une mauvaise interprétation des images peut entraîner des décisions inadaptées ou engendrer de la désinformation.

Aujourd'hui, ces modèles ont tendance à confondre ce qui est réellement visible dans une vidéo avec ce qui est simplement probable ou attendu. Ils peuvent ainsi affirmer qu'une action a été réalisée alors que la vidéo ne montre pas sa réalisation effective.

 

L'objectif principal de la thèse est d’apporter aux modèles les capacités à distinguer trois situations : (1) un événement a bien eu lieu, (2) il n'a pas eu lieu (avec des preuves visuelles suffisantes), ou (3) les informations disponibles ne permettent pas de conclure.

Trois axes de recherche complémentaires seront explorés :

· Le premier consiste à proposer des méthodes permettant d'apprendre aux modèles à identifier les éléments visuels réellement déterminants pour confirmer ou infirmer une action.

· Le deuxième vise à développer des mécanismes de raisonnement capables d'identifier les observations qui devraient nécessairement être visibles si un événement avait eu lieu. Cette démarche permettra de produire des « certificats de non-occurrence », c'est-à-dire des justifications structurées reposant sur des preuves visuelles permettant de conclure qu'un événement ne s'est pas produit.

· Le troisième axe étudiera si l'utilisation de ces certificats comme supervision supplémentaire permet d'améliorer les performances des modèles avec moins de données d'entraînement.

Les approches développées seront évaluées en termes de précision, de robustesse face aux situations ambiguës, et de frugalité en données. À terme, cette recherche vise à développer des modèles vidéo plus fiables, capables de justifier leurs conclusions plutôt que de simplement prédire ce qui semble probable.

 

Université / école doctorale

Sciences et Technologies de l’Information et de la Communication (STIC)

Paris-Saclay

Localisation du sujet de thèse

Site

Saclay

Critères candidat

Formation recommandée

Ingénieur, Master 2 en apprentissage automatique

Demandeur

Disponibilité du poste

01/10/2027

Personne à contacter par le candidat

KARA Sandra sandra.kara@cea.fr

CEA

DRT/DIASI//LASTI

CEA SACLAY - NANO INNOV

BAT. 861

Point courier 173

91191 GIF SUR YVETTE

 

 

Tuteur / Responsable de thèse

PHAM Quoc-Cuong Quoc-Cuong.PHAM@cea.fr

CEA

DRT/DIASI

CEA SACLAY - NANO INNOV

BAT. 861

Point courier 173

91191 GIF SUR YVETTE

 

01 69 08 27 16

En savoir plus

 

https://kalisteo.cea.fr/