- Страна
- Дания
- Зарплата
- 33 700 ₽ – 38 500 ₽
PhD-позиция по федеративному обучению, теории информации и кодированию
Престижная позиция в топовом европейском вузе (KTH) с четкой зарплатной сеткой и международным сотрудничеством с DTU. Идеально для тех, кто нацелен на научную карьеру в Deep Tech и ML.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Это академическая позиция PhD, требующая исключительной математической подготовки и глубоких знаний в теории кодирования и информации. Процесс отбора в KTH очень конкурентный и подразумевает наличие сильного исследовательского бэкграунда.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата соответствует стандартной государственной сетке для PhD-студентов в Швеции. Она ниже рыночных зарплат в коммерческом секторе для ML-инженеров, но является достойной для академической позиции и покрывает расходы на жизнь в Стокгольме.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
tldr: PhD-позиция в KTH (Стокгольм) по федеративному обучению, теории информации и кодированию
В KTH Royal Institute of Technology открыта оплачиваемая позиция аспиранта в совместном проекте KTH и Technical University of Denmark (DTU):
Efficient and Resilient Decentralised Federated Learning via Compression and Coding
📍 Основное место работы — KTH, Стокгольм
🇩🇰 В рамках 4-летней PhD-программы суммарно около одного года предполагается провести в DTU в Дании. Этот период можно разбить на несколько исследовательских визитов.
Чем будем заниматься
Проект посвящён децентрализованному federated learning — без центрального сервера, с акцентом скорее на математическую и коммуникационную инфраструктуру распределённого обучения, чем на разработку самих ML-моделей.
Основные темы:
• communication-efficient federated learning;
• lossy compression градиентов и обновлений моделей;
• gradient coding и устойчивость к медленным/отказавшим устройствам (stragglers);
• information theory и coding theory для распределённого ML;
• устойчивость и безопасность децентрализованных систем обучения.
Цель — понять, как строить распределённое обучение в условиях ограниченной пропускной способности каналов и ненадёжных узлов, сохраняя при этом качество обучения.
Проект выполняется совместно командами KTH и DTU.
Руководители:
• KTH: Prof. Ragnar Thobaben, Prof. Mikael Skoglund
• DTU: Prof. Søren Forchhammer, Asst. Prof. Stanislav Kruglik
Кого ищем: нужен кандидат с сильной математической подготовкой и интересом к теоретическим аспектам ML и коммуникационных систем.
Особенно релевантен опыт/образование в областях:
• information theory;
• coding theory;
• communications / signal processing;
• distributed или federated learning.
Условия: это полноценная оплачиваемая PhD-позиция в KTH с трудовым контрактом, а не обучение за свой счёт.
Программа рассчитана на 4 года full-time. Возможна небольшая доля преподавания/административной работы, в соответствии с правилами KTH.
Текущая зарплатная шкала KTH для PhD:
• старт — 33 700 SEK/месяц
• после первого года PhD — 34 700 SEK/месяц
• после второго года — 36 700 SEK/месяц
• после третьего года — 38 500 SEK/месяц
Суммы указаны до налогов.
📅 Дедлайн подачи: 24 сентября 2026
🔗 Описание позиции и подача заявки:
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Federated Learning
- Information Theory
- Coding Theory
- Machine Learning Theory
- Signal Processing
- Distributed Systems
- Mathematics
Возможные вопросы на собеседовании
Проект сфокусирован на децентрализованном обучении без сервера. Кандидат должен понимать разницу в сходимости и коммуникационных затратах.
Каковы основные математические сложности перехода от централизованного Federated Learning к полностью децентрализованному (P2P)?
Одной из тем является сжатие градиентов. Важно понимать влияние квантования на точность модели.
Как использование lossy compression для обновлений весов влияет на сходимость алгоритмов градиентного спуска?
Проект включает тему gradient coding. Это классическая задача борьбы с медленными узлами.
Объясните концепцию Gradient Coding: как коды, исправляющие ошибки, помогают бороться с проблемой 'stragglers' в распределенных вычислениях?
Позиция требует знаний в теории информации. Кандидат должен уметь применять эти знания к ML.
Как информационная емкость канала связи ограничивает скорость обучения в распределенной системе?
PhD — это долгосрочное исследование. Важна мотивация и понимание целей проекта.
Какие открытые проблемы в области безопасности децентрализованного обучения вам кажутся наиболее интересными для исследования в ближайшие 4 года?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

