SDU Adaptive Intelligence Lab (ADIN Lab) (https://adinlab.github.io/), tilknyttet sektionen for Datavidenskab og Statistik ved Institut for Matematik og Datalogi (IMADA) på Syddansk Universitet, inviterer ansøgere til en postdoc-stilling som forsker inden for kvantiseret forstærkningslæring med tiltrædelse tidligst 1. november 2026 for en periode på to år.
Om projektet:
Projektet fokuserer på den teoretiske fundering og algoritmiske realisering af kropslig kvantisering – en undersøgelse af, hvordan kontinuerlige sanseinput destilleres til diskrete tokens (såsom koncepter og objekter) for at lette kontrol i komplekse miljøer. Nøgleansvarsområder inkluderer at bygge bro mellem højkapacitets generative repræsentationer og diskrete verdensmodeller med ikke-stationær, risiko-sensitiv forstærkningslæringsteori. For at opnå dette skal kandidaten udvikle usikkerhedsbevidste sparsommelige verdensmodeller (f.eks. via evidensbaseret læring) og bevise finite-sample eller regret-garantier under ikke-stationære latente tilstandsrum, idet disse algoritmer valideres ved at bygge skalerbare prototyper og benchmarke på tværs af højdimensionelle simulationssuiter.
Forskningsmiljø:
IMADA samler på unik vis matematikere og dataloger inden for et enkelt institut for at fremme teoretisk velfunderet, højkvalitets forskning inden for datavidenskab. Instituttet huser adskillige eksternt finansierede forskningsprojekter, og Data Science og Statistik Gruppen fungerer som en levende synergiplatform for eksperter på tværs af felter. Den succesfulde kandidat vil blive en del af ADIN Lab, samarbejde om publikationer på top-tier konferencer (NeurIPS, ICML, ICLR, AISTATS) og udføre standard undervisningsassistentopgaver.
Forventede kompetencer og kvalifikationer:
Syddansk Universitet søger en kandidat med et stærkt ønske om at yde betydelige bidrag til grundlæggende forskning inden for maskinlæring, der besidder en kombination af matematisk modenhed og avancerede ingeniørfærdigheder:
Uddannelse: En ph.d.-grad i datalogi, matematik, statistik eller teoretisk fysik på tidspunktet for ansættelse.
Publikationshistorik: Mindst to førsteforfatter forskningsartikler på flagskibskonferencer inden for kerne-maskinlæringsforskning (f.eks. NeurIPS, ICML, ICLR, AISTATS).
Teoretisk stringens: En dyb forståelse af statistisk læringsteori og grundlaget for forstærkningslæring, med evnen til at udføre analyse af ydeevne, konvergens eller regret-grænser (f.eks. optimistisk posterior sampling) i diskrete eller latente ikke-stationære miljøer.
Implementeringsekspertise: Fremragende videnskabelige programmeringsfærdigheder (Python, PyTorch/JAX) med en dokumenteret track record inden for udvikling, fejlfinding og skalering af dybe generative modeller, diskrete codebook verdensmodeller eller komplekse RL-pipelines. Rene offentlige repositories eller frigivet kildekode fra tidligere publikationer er et stærkt plus.
Algoritmisk bredde: Kendskab til probabilistisk maskinlæring, evidensbaseret læring, diskrete variationelle autoencoders (VQ-VAEs), transformers eller modelbaseret RL er meget ønskeligt.
Kommunikation: Fremragende mundtlige og skriftlige kommunikationsevner på engelsk.
Ansøgningsfrist: 7. september 2026 kl. 23:59 lokal dansk tid
Se venligst hele opslaget, inklusive hvordan du ansøger, på www.sdu.dk
