Bourses d’excellence au doctorat

Programme de bourses d’excellence IVADO au doctorat

Engagement d’IVADO pour l’équité, la diversité et l’inclusion et note aux candidat·e·s :
Afin que l’avancement des connaissances et des opportunités dans le domaine de la science des données bénéficie équitablement à tous les membres de la société, IVADO promeut des principes d’équité, de diversité et d’inclusion à travers l’ensemble de ses programmes. IVADO s’engage à offrir un processus de recrutement et un milieu de recherche qui soient inclusifs, non discriminatoires, ouverts et transparents.

En bref

Description

FAQ

Soumission

Résultats 2018

Résultats 2019

  • Domaine d’étude Le programme de financement IVADO pour pour bourses d’excellence PhD soutient la recherche concernant les enjeux soulevés dans la demande de subvention Apogée : la science des données au sens large, incluant des recherches méthodologiques en science des données (apprentissage automatique, recherche opérationnelle, statistiques) et leurs applications dans plusieurs domaines dont les domaines prioritaires d’IVADO (la santé, le transport, la logistique, l’énergie, le commerce et la finance) ou tout autre domaine d’application (sociologie, physique, linguistique, génie, etc.).
  • Montant de la bourse et durée : 25 000 $ par année pour un maximum de 12 sessions ou quatre années
  • Ouverture du concours : décembre 2019
  • Date limite de présentation de la demande : janvier 2020
  • Date de notification prévue : février 2020
  • Critères : voir l’onglet description
  • Soumission : voir l’onglet soumission
  • Renseignements : programmes-excellence@ivado.ca

Objectifs du programme

L’objectif du programme de bourses d’excellence est de soutenir les étudiants prometteurs dans leur formation en tant que futurs personnels hautement qualifiés (chercheurs, professeurs et professionnels) et plus généralement, en tant que futurs acteurs dans le secteur de la science des données, principalement dans les domaines d’excellence des membres IVADO : recherche opérationnelle, apprentissage automatique et sciences de la décision.

Admissibilité du/de la candidat·e

  • Pour les étudiant·e·s :
    • Avoir déjà reçu son diplôme de maîtrise/master au moment de la demande ou être inscrit dans sa dernière session. IVADO sera flexible pour les candidat(e)s justifiant les interruptions de carrière et les circonstances particulières, nous invitons à l’indiquer dans votre demande (p.ex. pour cause de maternité ou de maladie).
    • Prévoir s’inscrire à un programme à HEC Montréal, Polytechnique Montréal, l’Université de Montréal, l’Université McGill ou l’Université de l’Alberta.
    • Avoir une note moyenne minimale de première classe (3,7/4,3 ou 3,5/4,00) au cours des années d’études précédentes.
  • Pour le/la professeur·e présentant la demande (superviseur·e) :
    • Être un·e professeur·e de l’une des institutions suivantes : HEC Montréal, Polytechnique Montréal ou l’Université de Montréal;
    • Les professeur·e·s de l’Université de l’Alberta et de l’Université McGill peuvent être superviseur·e·s à condition qu’ils/elles soient également membre de plein droit de l’un des groupes de recherche d’IVADO (Mila, CIRRELT, GERAD, CERC Science des données, CRM, Tech3Lab, AMII);
    • Ne pas présenter plus d’une demande de candidature pour ce concours.
  • Pour le cosuperviseur·e, il n’y aucune contrainte.

Début de la bourse

Date de début du financement : mai ou septembre 2020

Montant et conditions de versement

Les fonds seront transférés au Bureau de la recherche de l’université du/de la superviseur·e, et l’université paiera l’étudiant·e en fonction de ses propres règles. Pour les projets nécessitant une approbation éthique, les fonds ne seront pas débloqués tant que l’approbation ne sera pas obtenue. Certains projets pourraient avoir besoin d’accords spécifiques, par exemple en ce qui concerne la propriété intellectuelle.

Le financement pourra être réduit, retenu, retardé ou annulé lors de situations particulières qui seront explicitées dans la lettre d’octroi.

Processus du concours

Évaluation et critères

Les propositions seront passées en revue pour vérifier les exigences du programme (demande incomplète, trop longue, superviseur·e ou candidat·e non admissible, etc.) et l’adéquation apparente du projet de recherche soumis avec la science des données. Seules les demandes répondant aux exigences seront transmises au comité d’évaluation.

Le comité d’évaluation paritaire sera composé de professeur·e·s universitaires, et qui ne présenteront aucun·e candidat·e. En raison de la petite taille de la communauté dans certains domaines, il pourrait être difficile de trouver des examinateur·trice·s pertinent·e·s ne présentant aucun·e candidat·e. Face à une telle situation, un·e évaluateur·trice pourrait être appelé·e à évaluer un·e candidat·e bien qu’il/elle participe lui /elle-même au concours; un·e examinateur·trice externe pourrait également être appelé·e. Le comité veillera par tous les moyens à ce que l’évaluateur·trice n’influe pas le classement de sa propre application.

Le comité d’évaluation s’assurera de l’adéquation entre le projet de recherche et les orientations scientifiques d’IVADO, puis procédera au classement des candidat·e·s selon l’excellence de leur dossier, et l’adéquation du projet dans le cadre général d’IVADO, qui est de promouvoir la collaboration multidisciplinaire et la diversité dans la science des données.

En ce qui regarde l’excellence du dossier du/de la candidat·e, le comité s’intéressera plus spécifiquement :

  • à son aptitude à la recherche;
  • à l’étendue et à la portée de son expérience : expériences pluridisciplinaires, expérience professionnelle, activités parascolaires ou extra-universitaires, collaborations, services à la communauté scientifique, contribution à la société, etc.
  • et à l’adéquation de l’expérience avec le projet proposé.

Finalisation du dossier et engagements de l’étudiant·e

L’étudiant·e s’engage notamment à :

  • Être physiquement présent·e à l’université de son/sa superviseur·e;
  • Participer à la communauté et aux activités IVADO, incluant par exemple:
    • les présentations sur leur propre recherche;
    • les activités de formation ou de diffusion des connaissances;
    • les consultations;
    • le soutien lors de différentes activités qui font normalement partie d’une carrière de recherche (mentorat, notamment dans le cadre du projet SEUR, participation à des évaluations, coorganisation d’événements, etc.);
  • Reconnaître qu’il/elle fait partie d’une communauté universitaire, à laquelle il/elle contribuera;
  • Se soumettre à la politique des trois organisations sur le libre accès aux publications. Il/elle est encouragé·e à publier ses productions de recherche (publications, enregistrement oral des présentations, code source, bases de données, etc.) dans le respect des règles de propriété intellectuelle applicables dans son cas particulier;
  • Reconnaître le soutien d’IVADO et d’Apogée / CFREF ou du FRQ dans la diffusion des résultats de recherche et plus généralement dans les diverses activités auxquelles l’étudiant·e participera.

Le/la superviseur·e s’engage notamment à :

  • Fournir un environnement de travail qui convient à l’achèvement du projet;
  • Superviser son étudiant·e.

FAQ

  • Y a-t-il un format particulier pour la préparation du CV?
    • Non, il n’y a pas de format particulier pour le CV. Notez toutefois que chaque pièce du dossier doit aider l’évaluateur à se faire une opinion sur le dossier. Un CV trop long ou confus pourrait rendre plus difficile l’évaluation.
  • Y a-t-il des règles spécifiques pour les lettres de recommandation?
    • Il n’y a pas de règle spécifique pour les lettres de recommandation.
  • Est-ce que les candidats peuvent-ils eux-mêmes envoyer les lettres de recommandation ?
    • Non, les lettres de recommandation doivent être envoyées par leur auteur·e sur la plateforme de candidature.
  • Est-ce que je peux envoyer mes relevés de notes non officiels?
    • Non, vous devez nous numériser et télécharger sur la plateforme joindre tous vos relevés de notes officiels incluant tous vos résultats en cours.
  • Est-ce que la bourse est cumulable?
    • La bourse n’est pas cumulable avec d’autres bourses issues de financements CRSNG, CRSH, IRSC ou IVADO. Nous n’encourageons pas le cumul de bourses issues d’autres sources de financement, mais nous ne l’interdisons pas non plus, car il peut se justifier dans certains cas.
  • J’ai déjà commencé ma maîtrise (mon doctorat), puis-je candidater pour une bourse à la maîtrise (au doctorat)?
    • Oui. Dans le cadre de la maîtrise, si vous l’avez déjà commencée, vous devez fournir vos notes de bacc. et les notes déjà obtenues à la Maîtrise. Dans le cas du doctorat, si vous l’avez déjà commencée, vous devez fournir vos notes de maîtrise et les notes déjà obtenues au doctorat.
  • Mes notes de l’année dernière me rendent éligible, mais mes notes plus récentes ne sont pas assez bonnes (ou l’inverse). Suis-je éligible?
    • Non, mais si vous pouvez justifier une baisse de vos notes (certificat médical par exemple), nous pourrions accepter votre dossier.
  • Quand puis-je commencer à utiliser ma bourse au plus tard?
    • Dans les 6 mois qui suivent l’annonce des résultats.

L’ensemble du processus de soumission de dossier se passe à travers cette plateforme dédiée: https://ivado.smapply.io/

Le dossier comprendra :

  • un questionnaire à remplir sur la plateforme DONT une description du projet (longueur d’une page maximum);
  • le C.V. de l’étudiant·e, dans un format libre à télécharger
  • les relevés de notes officiels de l’étudiant·e (préciser l’échelle de notation pour les universités non canadiennes) à télécharger;
  • un maximum de trois lettres de recommandation (incluant une du/de la superviseur·e (en cours ou potentiel(le)) téléchargées par leur auteur·e·s sur la plateforme.

Chun Cheng (Polytechnique Montréal, Louis-Martin Rousseau)

  • Our project dedicates to deal with uncertainty in drone routing for disaster response and relief operations. To tackle the uncertainties arose from disaster scenarios, like uncertain demand locations and quantities for relief supplies, we use data-driven robust optimization (RO) method. This technique protects the decision makers against parameter ambiguity and stochastic uncertainty by using uncertainty sets. Therefore, it is significant to set proper parameters for the uncertainty set: a small set cannot accurately capture possible risks while a larger one may lead to overly conservative solutions. To address this problem, we use machine learning (ML) technique to extract information from historical data and real-time observations, and create the parameters by ML algorithms. After calibrating the uncertainty set, we will determine appropriate models for the problem by considering various theories in RO, such as static RO and multiple stage adjustable RO. These approaches will be measured against other applicable approaches such as stochastic programming.

Dominique Godin (Université de Montréal, Jean-François Arguin)

  • Ce projet de recherche a pour objectif de développer et mettre en application des techniques d’apprentissage machine afin de grandement améliorer l’identification des électrons par le détecteur ATLAS du LHC, le plus grand accélérateur de particules jamais construit et l’un des projets scientifiques les plus ambitieux de tous les temps.Afin de mener à bien le programme d’ATLAS, il est nécessaire d’identifier et mesurer chacune des particules, lesquelles s’y créer à un taux de 40 milliards par seconde et génèrent un flot astronomique de données. Parmi celles-ci, les électrons revêtent une très grande importance, mais ils sont également excessivement rares, ne représentant qu’une infime fraction. Considérant la taille et complexité des données disponibles, le problème d’identification des particules aussi rares que les électrons constitue un terrain d’application idéal pour les méthodes d’apprentissage machine. Les algorithmes actuels d’identification des électrons sont très simples et ne font pas usage de ces méthodes de telle sorte qu’une percée dans ce domaine serait une première mondiale qui pourrait éventuellement paver la voie à des découvertes majeures en physique des particules.

Charley Gros (Polytechnique Montréal, Julien Cohen-Adad)

  • Multiple sclerosis (MS) is a disease, with a high rate in Canada, that leads to major sensory and motor problems. This disease affects the neuronal signal transmission in both brain and spinal cord, creating lesions, which are observable on images acquired with an MRI scanner. The count and volume of lesions on an MRI scan of a patient is a crucial indicator of the disease status and commonly used by doctors for the diagnosis, prognosis and therapeutic drug trials. However, the detection of lesions is very challenging and time consuming for radiologists, due to the high variability of their size and shape.This project aims at developing a new, automatic and fast method of MS lesion detection on MRI data of spinal cord, based on newly developed machine learning algorithms. The new algorithm’s performance will be tested on a large dataset involving patients coming from different hospitals in the world. Once the algorithm is optimized, it will be freely available as part of an open-source software, already widely used for spinal cord MRI processing and analysis. A fundamental goal of this project is the integration of this algorithm in hospitals to help radiologists in their daily work.

Thomas Thiery (Université de Montréal, Karim Jerbi)

  • When we are walking through a crowd, or playing a sport, our brain continuously makes decisions about directions to go to, obstacles to avoid and information to pay attention to. Fuelled by the successful combinations of quantitative modeling and neural recordings in nonhuman primates, research into the temporal dynamics of decision-making has brought the study of decision-making to the fore within neuroscience and psychology, and has exemplified the benefits of convergent mathematical and biological approaches to understanding brain function. However, studies have yet to uncover the complex dynamics of large-scale neural networks involved in dynamic decision-making in humans. The present research aims to use advanced data analytics to identify the neural features involved in tracking the state of sensory evidence and confirming the commitment to a choice during a dynamic decision-making task. To this end, we will use cutting-edge electrophysiological brain imaging (magnetoencephalography, MEG), combined with multivariate machine learning algorithms. This project, for the first time, will shed light on the whole-brain large-scale dynamics involved in dynamic decision-making, thus providing empirical evidence that can be generalized across subjects to test and refine computational models and neuroscientific accounts of decision-making. By providing a quantitative link between the behavioral and neural dynamics subserving how decisions are continuously formed in the brain, this project will contribute to expose mechanisms that are likely to figure prominently in human cognition, in health and disease. Moreover, this research may provide neurobiological-inspired contributions to machine learning algorithms that implement computationally efficient gating functions capable of making decisions in a dynamically changing environment. ln addition to advancing our knowledge of the way human brains come to a decision, we also foresee long-term health implications for disorders such as Parkinson’s disease.

Francis Banville (Université de Montréal, Timothée Poisot)

  • Réseaux d’interactions écologiques et changements climatiques : inférence et modélisation par des techniques d’apprentissage automatique

Avishek Bose (McGill University, William Hamilton)

  • Domain Agnostic Adversarial Attacks for Security and Privacy.

Lluis E. Castrejon Subira (Université de Montréal, Aaron Courville)

  • Self-Supervised Learning of Visual Representations from Videos

Elodie Deschaintres (Polytechnique Montréal, Catherine Morency)

  • Modélisation des interactions entre les modes de transport par l’intégration de différentes sources de données

Laura Gagliano (Polytechnique Montréal, Mohamad Sawan)

  • Artificial Neural Networks and Bispectrum for Epileptic Seizure Prediction

Ellen Jackson (Université de Montréal, Hélène Carabin)

  • Evaluation of a Directed Acyclic Graph for Cysticercosis using Multiple Methods

Mengying Lei (McGill University, Lijun Sun)

  • Spatial-Temporal Traffic Pattern Analysis and Urban Computation Applications based on Tensor Decomposition and Multi-scale Neural Networks

Tegan Maharaj (Polytechnique Montréal, Christopher Pal)

  • Deep ecology: Bringing together theoretical ecology and deep learning

Antoine Prouvost (Polytechnique Montréal, Andrea Lodi)

  • Learning to Select Cutting Planes in Integer Programming

Matthew Schlegel (University of Alberta, Martha White)

  • Representing the World Through Predictions in Intelligent Machines

Jing Xu (Polytechnique Montréal, Guillaume-Alexandre Bilodeau)

  • Computer Vision for Safe Interactions between Humans and Intelligent Robots