Inférence causale statistiquement valide pour les réseaux sans fil natifs de l'IA // Statistically Valid Causal Inference for AI-Native Wireless Networks

On s'attend à ce que l'inférence causale joue un rôle central dans les futurs réseaux sans fil nativement basés sur l'IA, en permettant des prédictions interprétables, un raisonnement rigoureux sur les effets d'interventions et une analyse contrefactuelle approfondie. L'objectif de cette thèse est de faire progresser l'IA causale pour les réseaux sans fil en développant des outils d'inférence causale statistiquement fiables, fondés sur les avancées récentes en inférence assistée par simulation et en calibration sans modèle.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Causal inference is expected to play a central role in future AI-native wireless networks, enabling interpretable predictions, principled reasoning about intervention effects, and rigorous counterfactual analysis. The goal of this thesis is to advance causal AI for wireless networks by developing statistically reliable causal inference tools grounded in recent advances in simulation-aided inference and model-free calibration.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 02/03/2026

Partenariat d'entreprises ou d'associations

Sorbonne Université SIS (Sciences, Ingénierie, Santé)

130 Ecole Doctorale d'Informatique, Télécommunications et Electronique

-Formation en probabilités, statistiques, apprentissage automatique et communications sans fil. -Intérêt pour l'inférence causale, les méthodes de calibration et l'inférence basée sur la simulation. -Expérience en programmation avec Python et les bibliothèques d'apprentissage automatique pertinentes (par ex. PyTorch, TensorFlow). -Curiosité et capacité analytique pour définir, analyser et résoudre des problèmes complexes. -Bonnes compétences en gestion du temps et en communication.
- Background in probability, statistics, machine learning, and wireless communications. - Interest in causal inference, calibration methods, and simulation-based inference. - Programming experience with Python and relevant machine learning libraries (e.g., PyTorch, TensorFlow). - Curiosity and analytical ability to define, dissect, and solve complex problems. - Good time-management and communication skills.