SDU Adaptive Intelligence Lab (ADIN Lab) (https://adinlab.github.io/), der er placeret under afsnittet for Datavidenskab og Statistik ved Institut for Matematik og Datalogi (IMADA) på Syddansk Universitet, inviterer ansøgere til en postdoc-forskningsstipendiatstilling inden for kvantiseret forstærkningslæring, der skal besættes tidligst den 1. november 2026 for en periode på to år.
Om Projektet:
Projektet fokuserer på den teoretiske fundering og algoritmiske realisering af legemliggjort kvantisering – undersøgelse af, hvordan kontinuerlige sanseinput destilleres til diskrete tokens (såsom koncepter og objekter) for at lette kontrol i komplekse miljøer.
Nøgleansvarsområder omfatter at bygge bro mellem højkapacitetsgenerative repræsentationer og diskrete verdensmodeller med ikke-stationær, risikofølsom forstærkningslæringsteori. For at opnå dette vil kandidaten udvikle usikkerhedsbevidste sparsomme 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 datavidenskabsforskning af høj kvalitet. Instituttet huser adskillige eksternt finansierede forskningsprojekter, og gruppen for Datavidenskab og Statistik fungerer som en levende synergiplatform for eksperter på tværs af felter.
Den succesfulde kandidat vil tilslutte sig ADIN Lab, samarbejde om udgivelser 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 maskinlæringsforskning, der besidder en kombination af matematisk modenhed og avancerede ingeniørfærdigheder:
Uddannelse: En ph.d.-grad i Datalogi, Matematik, Statistik eller Teoretisk Fysik på ansættelsestidspunktet.
Publikationshistorik: Mindst to førsteforfatter-forskningsartikler på flagskibskonferencer inden for kernemaskinlæringsforskning (f.eks. NeurIPS, ICML, ICLR, AISTATS).
Teoretisk stringens: En dybdegående forståelse af statistisk læringsteori og forstærkningslæringsgrundlag, 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 i udvikling, fejlfinding og skalering af dybe generative modeller, diskrete kodebogsverdensmodeller 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 yderst ønskeligt.
Kommunikation: Fremragende mundtlige og skriftlige kommunikationsevner på engelsk.
Ansøgningsfrist: 7. september 2026 kl. 23:59 dansk tid
Se hele opslaget, herunder hvordan du ansøger, på www.sdu.dk
