基于边缘端基础模型联邦信任调节的个性化行为分析——在活动与出行建模和预测中的应用

本博士项目针对利用大型语言模型建模人类行为时的隐私挑战，提出一种结合联邦学习和可信执行环境的去中心化隐私保护框架。该框架旨在资源受限设备上持续个性化建模出行和日常活动，同时避免暴露敏感数据。

职位简介： 项目介绍： 大型语言模型（LLM）和基础模型为人类行为序列（如出行轨迹、日常出行模式和活动）的建模与生成带来了新可能。然而，目前的微调依赖集中式数据收集，会暴露高度敏感的地理位置轨迹，并限制个性化能力。本博士项目提出一个可信、保护隐私且去中心化的基础模型适配框架，可直接在资源受限的边缘设备上运行。框架将参数高效微调、面向非独立同分布（non-IID）数据的联邦学习（FL），以及基于硬件的可信执行环境（TEE）保护结合起来，从而实现持续个性化，同时不暴露原始数据或模型更新。该框架将在真实世界的出行和日常活动数据集上进行验证。

所需背景与技能： 申请人必须已获得或即将获得硕士学位或同等学历，并符合埃菲尔卓越奖学金（Eiffel Excellence Scholarship）的申请资格。 我们希望招聘一位积极进取的候选人，具备： - 计算机科学、数学或密切相关领域的扎实定量背景。 - 扎实的编程能力（Python、机器学习框架）。 - 良好的机器学习和深度学习基础知识。 - 联邦学习框架经验者优先。 对大规模人工智能系统及其跨学科应用感兴趣者优先。 法语水平要求：高级。你能够较复杂、自发地使用法语，并讨论多种主题。 英语水平要求：中高级。你能够有效使用英语并准确表达。