Descriptif du poste:\nLieu : Palaiseau, France\n\nConstruisons ensemble un avenir de confiance\n\nThales est un leader mondial des hautes technologies spécialisé dans trois secteurs d'activité : Défense & Sécurité, Aéronautique & Spatial, et Cyber & Digital. Il développe des produits et solutions qui contribuent à un monde plus sûr, plus respectueux de l'environnement et plus inclusif. Le Groupe investit près de 4 milliards d'euros par an en Recherche & Développement, notamment dans des domaines clés de l'innovation tels que l'IA, la cybersécurité, le quantique, les technologies du cloud et la 6G. Thales compte près de 81 000 collaborateurs dans 68 pays. \n\nNos engagements, vos avantages\n\n\n* \n\nUne réussite portée par notre excellence technologique, votre expérience et notre ambition partagée\n\n* \n\nUn package de rémunération attractif\n\n* \n\nUn développement des compétences en continu : parcours de formation, académies et communautés internes\n\n* \n\nUn environnement inclusif, bienveillant et respectant l'équilibre des collaborateurs\n\n* \n\nUn engagement sociétal et environnemental reconnu\n\n\nVotre quotidien\n\nThales Research&Technology, notre centre de recherche dans les domaines matériels, et CortAIx Labs, notre centre de recherche en IA et digital ont pour mission de proposer des innovations de ruptures, de maintenir et d'accroitre l'avance technologique et d'en assurer la compétitivité pour le groupe.\n\nLe Tatouage de modèle est une preuve reconnue d'origine des modèles de Machine Learning (ML) qui a récemment été adapté à diverses tâches (segmentation, classification, détection, LLMs, etc.). Dans le contexte de l'apprentissage fédéré, le tatouage ML a été adapté au cadre complexe multi-utilisateurs et multi-propriétaires. Il avait également été rendu compatible avec des mécanismes de préservation de la vie privée, tels que le chiffrement ou la confidentialité différentielle. Alors que le SOTA actuel assure la traçabilité des modèles, la preuve d'intégrité du modèle reste un sujet à explorer. De plus, le tatouage ML peut être considéré comme une charge pour les performances du modèle car certaines procédures d'intégration de tatouage modifieront l'entrainement en insérant plusieurs « portes dérobées légitimes » impactant le comportement du modèle. Les mécanismes cryptographiques classiques tels que la signature ne sont pas bien adaptés au contexte ML, où un modèle peut être affiné sur de nouvelles données et donc changer la signature.\n\nDans cette thèse, nous souhaitons explorer un tatouage qui contribuerait à une meilleure performance du modèle dans un cadre d'apprentissage collaboratif. Nous voulons détecter les participants de l'apprentissage fédéré qui dégradent la performance du modèle lors d'attaques dites byzantines, par empoisonnement ou par l'ajout d'un comport\n\nProfil recherché:\nLe profil recherché (compétences et l'expérience requises) est détaillé dans le "Descriptif du poste" ci-dessus\n \n\n\n