Doktorand inom generativ modellering för dataeffektiv maskininlärning

Vi söker nu en doktorand inom maskininlärning med inriktning mot generativ modellering och data-centrerade strategier för dataeffektiv maskininlärning med hänsyn till rättvise- och integritetsaspekter.

Tjänsten är en del i Wallenberg AI, Autonomous Systems and Software Program (WASP), och du kommer att tillhöra WASPs forskarskola och kunna dra nytta av programmets gedigna nätverk av doktorander och seniora forskare.

Wallenberg AI, Autonomous Systems and Software Program, WASP, är Sveriges största enskilda forskningsprogram i modern tid. Programmet skapar en plattform för akademisk forskning och utbildning i nära samarbete med ledande svensk teknikintensiv industri. Forskningen innefattar artificiell intelligens och autonoma system som verkar i samarbete med människor och som anpassar sig till sin omgivning med hjälp av sensorer, information och kunskap och skapar intelligenta system av system.

WASPs vision är excellent forskning och kompetens inom artificiell intelligens, autonoma system och mjukvara till gagn för Sveriges industri och samhälle.

Läs mer: https://wasp-sweden.org/

Forskarskolan inom WASP har som mål att förse framtidens forskare med nödvändig kunskap för att kunna analysera, utveckla och bidra aktivt till den tvärvetenskapliga utvecklingen av artificiell intelligens, autonoma system och mjukvara. Genom ett ambitiöst program med forskningsbesök, partneruniversitet och gästföreläsare stöder forskarskolan aktivt bildandet av ett starkt multidisciplinärt och internationellt professionellt nätverk mellan doktorander, forskare och industri. Forskarskolan erbjuder därmed en unik möjlighet för de studenter som lockas av internationell forskning i världsklass med industriell relevans.

Mer information: https://wasp-sweden.org/graduate-school/

Dina arbetsuppgifter

Maskininlärning, och i synnerhet djupinlärning, kräver stora mängder data och energiresurser för träning. Samtidigt finns det betydande utmaningar med att hantera datasetbias och integritetsproblem, särskilt i applikationer som hanterar känsliga data, såsom medicinska diagnoser. Fokus för detta doktorandprojekt är att utveckla metoder för att minska datamängden utan att signifikant påverka prestandan hos en modell som tränas på den datan, för att främja effektiv optimering och minska beräkningskraven, samtidigt som det tas hänsyn till rättvise- och integritetsaspekter. Målet är att främja resurseffektiv och tillförlitlig maskininlärning i ett gemensamt ramverk.

I ditt arbete kommer du att utforska generativ modellering för att skapa syntetiska representativa datapunkter med ett högt träningsvärde, samtidigt som du beaktar datasetbias och säkerställer att känslig information inte läcker från den verkliga datasetet. Du kommer att arbeta med olika typer av dataset (från lågdimensionella punktmängder till högdimensionella bilddata) och rikta in dig på olika typer av applikationer (t.ex. medicinsk bild). Arbetet kommer att vara både teoretiskt inriktat och fokuserat på implementering av experiment med maskininlärningsalgoritmer för empirisk testning.

Som doktorand ägnar du dig åt din forskarutbildning och forskningsprojekt där du ingår. I ditt arbete kan även ingå att undervisa eller att delta i andra institutionsuppdrag, upp till 20% av heltid.

Dina kvalifikationer

Du har avlagt examen på avancerad nivå inom datavetenskap, statistik, matematik, elektroteknik eller ett relaterat område, alternativt slutfört kurser om minst 240 högskolepoäng varav minst 60 högskolepoäng på avancerad nivå (inom de nämnda områdena) eller på något annat sätt förvärvat i huvudsak motsvarande kunskaper. Det krävs att du kan kommunicera flytande i muntlig och skriftlig engelska.

Det anses meriterande om du har gedigna programmeringskunskaper i Python, har goda kunskaper i LaTeX och versionshanteringssystem (git), och är bekväm med att arbeta med GNU/Linux-system. Dessutom anses det meriterande om du har ett starkt intresse för effektiv maskininlärning, rättvis AI och integritet (differential privacy).

Det är starkt meriterande om du har utmärkta studieresultat och en stark bakgrund inom matematik. Du är skicklig på att implementera nya modeller och algoritmer i en lämplig programvarumiljö, med dokumenterad erfarenhet. Du har en stark drivkraft att utföra grundforskning, förmåga och intresse att arbeta tillsammans. Dessutom värderas starka kommunikationsförmågor högt.

Projektet omfattar både teoretiskt och tillämpat arbete.

Stor vikt kommer att läggas vid personliga egenskaper och lämplighet.

Din arbetsplats

Linköpings universitet är en av de ledande AI-institutionerna i Sverige. Vi har starka kopplingar till framstående nationella forskningsinitiativ, såsom WASP och ELLIIT. Du kommer att ha tillgång till toppmodern datorinfrastruktur för maskininlärning, t.ex. genom Berzelius. Linköpings universitet kommer också att vara värd för EuroHPC Arrhenius och en europeisk AI-fabrik (MIMER), som en av de sju platser i Europa som valdes ut i den första omgången. Linköping vann nyligen European Capital of Innovation Awards som European Rising Innovative City.

Projektet kommer att genomföras som ett samarbete mellan avdelningen för medie- och informationsteknik (MIT) vid institutionen för teknik och naturvetenskap på Campus Norrköping (huvudhandledare Gabriel Eilertsen) och avdelningen för statistik och maskininlärning (STIMA) vid institutionen för datavetenskap på Campus Valla i Linköping (bihandledare Sebastian Mair).

MIT-avdelningen forskar och bedriver utbildning inom bland annat datorgrafik, bildanalys, vetenskaplig visualisering och maskininlärning, på grund-, avancerad- och forskarnivå. Vår forskargrupp vid avdelningen består av mer än 20 doktorander, seniora forskare och forskningsingenjörer. Vi bedriver forskningsprojekt inom områden som spänner från djupinlärning och medicinsk bildbehandling, till datorgrafik och beräkningsfotografi.

STIMA-avdelningen bedriver forskning och utbildning inom både statistik och maskininlärning, på grund-, avancerad- och forskarnivå. Vi publicerar regelbundet gedigna bidrag på de bästa maskininlärningskonferenserna. STIMA kännetecknas av en modern syn på statistisk, där probabilistiska modeller kombineras med beräkningsalgoritmer för att lösa utmanande komplexa problem, samt en statistisk syn på maskininlärning som tydligt integrerar de två ämnesområdena inom avdelningen.

Doktoranden kommer att vara knuten till båda avdelningarna och ha en arbetsplats på varje campus (de två campusen ligger cirka 42 km ifrån varandra). Vi strävar efter ett nära samarbete mellan de två grupperna, vilket ger dig tillgång till båda gruppernas expertis och nätverk.

Om anställningen

I samband med tillträde till anställningen kommer du att antas till forskarutbildningen. Läs mer om respektive fakultets forskarutbildning här.

Anställningen är tidsbegränsad till normalt fyra år heltid. Förlängning av anställning upp till fem år sker utifrån grad av undervisnings- och institutionsuppdrag. Vid särskilda skäl kan ytterligare förlängning ske. Du anställs till en början på ett år, och därefter förnyas anställningen med högst två år i taget, utifrån uppnådd studieplan. 

Tillträde enligt överenskommelse.

Befattningen kan komma att placeras i säkerhetsklass. Om så är fallet kommer säkerhetsprövning med registerkontroll att genomföras innan beslut om anställning fattas.

Lön och förmåner

Doktorandlönen regleras utifrån en lokalt avtalad lönestege. Läs mer om förmåner för anställda här.

Fackliga kontaktpersoner

Information om fackliga kontaktpersoner, se Hjälp för sökande.

Ansökan

Du söker denna anställning genom att klicka på knappen ”Ansök” nedan. Din ansökan ska vara Linköpings universitet tillhanda senast den 21 augusti 2026. Ansökan som inkommer efter sista ansökningsdag beaktas inte.

I din ansökan, vänligen bifoga:

• Ett personligt brev som presenterar dig själv, din motivation för att doktorera, varför du är intresserad av detta projekt och hur du passar in i tjänsten (max två sidor). Vänligen ange ditt önskade startdatum.
• CV
• Publikationslista, om sådan finns.
• Betygsutdrag från master- och kandidatexamen.
• En kopia (eller utkast) av din masteruppsats. Alternativt, annan typ av vetenskaplig text från dig, t.ex. din kandidatuppsats.
• Kontaktuppgifter till två referenser och din relation till dem.