Valérian Rey

Projet de recherche sur l’optimisation multi-objectifs avec un doctorant de l’EPFL.

• Développement de l'algorithme Jacobian Descent (JD), une généralisation de la descente de gradient.

• Développement de TorchJD : bibliothèque étendant autograd pour faire du JD (310+ stars GitHub).

• Expériences de deep learning avec JD sur des datasets de vision.

• Publication de Jacobian Descent For Multi-Objective Optimization.

• Développement du moteur autogram pour rendre JD moins coûteux en mémoire.

• Accepté à la PyTorch Conference EU pour présenter le projet:

Développement d’algorithmes de machine learning pour des objets connectés : revue de littérature, collecte et traitement de données, exploration, développement de modèles, implémentation en C, maintenance et suivi. Quelques projets :

• Surveillance de la pression artérielle via des modèles de deep learning basés sur des données de capteurs optiques (abandonné).

• Algorithme de classification d’activités à partir de données accélérométriques (en production).

• Algorithme de calibration en temps réel de l’accéléromètre à partir de données utilisateur (en production).

• Régression de biomarqueurs à partir d’images de bandelettes d’analyse urinaire (en production).

• Encadrement d’une stagiaire (puis junior) ingénieur en deep learning, pendant 9 mois.

Projet de recherche sur le federated learning pour la détection de malware à partir des données de trafic d'objets connectés.

Classification binaire supervisée avec réseaux de neurones, détection d’anomalies non supervisée via autoencodeurs.

Utilisation du federated learning comme approche préservant la confidentialité tout en exploitant davantage de sources de données dans l’entraînement du modèle.

Publication de Federated learning for malware detection in IoT devices

dans le journal Computer Networks (400+ citations, best paper award).