Doktorand i signalbehandling med fokus på kollaborativ kontinuerlig maskininlärning - Under tillsättning eller tillsatt, ej sökbar

Institutionen för elektroteknik bedriver framgångsrik forskning och utbildning inom elektrifiering och digitalisering – däribland förnybara energikällor och elfordon, industriell IoT, AI, 6G kommunikation och trådlösa sensornät men även forskning och utbildning inom Life Science, hälsoteknik, smarta elektroniska sensorer och medicinska system. Institutionen för elektroteknik är en internationell miljö med ca 170 medarbetare.

Tjänsten kommer att vara placerad vid avdelningen för Signaler och system, vid institutionen för Elektroteknik. Här hittar du en trevlig arbetsmiljö och starka forskningsprojekt. Avdelningen för signaler och system samarbetar med svenska företag - offentliga och privata - och intressenter inom de olika forskningsområdena. Vi ser fram emot din ansökan. Var med och bygg framtiden med oss!

Om forskningsprojektet

Moderna system förlitar sig i allt större utsträckning på datadrivna modeller för att extrahera, representera och tolka information från komplexa och föränderliga miljöer. Traditionella metoder inom maskininlärning, liksom många klassiska signalbehandlingsmetoder, är typiskt utformade för att verka i statiska miljöer: en modell tränas på en fast datamängd och används därefter för inferens. I verkliga tillämpningar är miljöerna dock ofta dynamiska och icke-stationära. Som en följd av detta tenderar prestandan hos modeller som tränats offline att försämras när de utsätts för nya signalförhållanden, tidigare osedda mönster eller förändrade systemegenskaper.

Detta projekt syftar till att adressera dessa utmaningar genom utveckling av adaptiva inlärningsramverk för icke-stationära miljöer. I synnerhet fokuserar vi på kontinuerligt lärande, där modeller uppdateras i takt med att ny data blir tillgänglig, samtidigt som tidigare inlärd kunskap bevaras. Ett centralt mål är att utforma signalrepresentationer och inlärningsmekanismer som möjliggör stabil anpassning utan att tidigare inlärd kunskap går förlorad.

Vi kommer att studera samarbetsbaserade inlärningsscenarier, där flera enheter eller sensorer gemensamt bearbetar och lär från dataströmmar. Sådana scenarier medför ytterligare utmaningar, såsom heterogenitet i datakällor och kommunikationsbegränsningar. Genom att använda verktyg från statistisk signalbehandling, maskininlärning, optimering och matematisk modellering syftar projektet till att utveckla inlärningsmetoder för sådana samarbetsbaserade scenarier för kontinuerligt lärande. De framtagna metoderna kommer att analyseras teoretiskt och valideras på representativa datamängder, med fokus på generaliseringsförmåga och skalbarhet.

Vi erbjuder ett varierande och spännande arbete som utformas av doktoranden och forskargruppen tillsammans. Doktoranden kommer att handledas av minst två handledare. Institutionen för elektroteknik erbjuder även lönetillägg vid anställning som doktorand vid institutionen.

Läs mer om våra förmåner och hur det är att jobba inom Uppsala universitet.

Arbetsuppgifter

• Doktorandens huvudsakliga arbetsuppgifter är forskning inom signalbehandling och maskininlärning med stort fokus på teoretiska grunder.
• Doktoranden ska aktivt bidra till att ställa upp forskningsfrågorna i sitt doktorandprojekt.
• Doktoranden kommer att ta en aktiv roll i att planera, genomföra och vid behov modifiera sitt forskningsprojekt.
• Doktoranden kommer att få avancerad och aktuell specialkunskap inom området.
• Doktoranden kommer att utveckla nya teorier och metoder; och analysera dessa metoders generaliseringsprestanda.
• I arbetet som doktorand ingår att skriva vetenskapliga publikationer samt presentera sina forskningsresultat muntligt i olika sammanhang såsom vid projektgruppsmöten och internationella konferenser.

Huvuduppgiften för en doktorand är att ägna sig åt sin forskarutbildning vilket innefattar såväl deltagande i forskningsprojekt som forskarutbildningskurser. Undervisning och annat institutionsarbete utgör max 20 % av arbetstiden. 

Kvalifikationskrav

Grundläggande behörighet har den som:

• avlagt examen på avancerad nivå inom teknisk fysik, elektroteknik, maskininlärning, datavetenskap, datorvetenskap, tillämpad matematik, eller liknande område, eller
• fullgjort minst 240 högskolepoäng varav minst 60 högskolepoäng på avancerad nivå inklusive ett självständigt arbete om minst 15 högskolepoäng, eller
• på något annat sätt inom eller utom landet förvärvat i huvudsak motsvarande kunskaper. 

Meriterande

• Ett stort intresse för att utveckla nya teorier och metoder inom signalbehandling och maskininlärning;
• En stark matematisk bakgrund;
• Goda arbetskunskaper inom programmering (helst i Python);
• Goda kunskaper i engelska, i tal och skrift;
• Ett strukturerat, självgående, självständigt förhållningssätt till tekniskt arbete och god samarbetsförmåga;
• Kurser eller andra erfarenheter i ett eller flera av följande ämnen värdesätts:  optimering, linjär algebra, signalbehandling, statistik, stokastiska processer, statistisk maskininlärning, djupinlärning. 

Om anställningen

Lön: Individuell lönesättning.

Tillträde: 2026-09-01 eller enligt överenskommelse.

Anställningsform: Tidsbegränsad anställning enl HF 5 kap § 7.

Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1-7 samt i universitetets regler och riktlinjer. 

Instruktioner för ansökan

Ansök via länken nedan. Ansökan ska innehålla:

• Ett personligt brev på engelska (max 1 sida). Det personliga brevet ska innehålla en självutvärdering om varför du skulle vara rätt kandidat för denna tjänst;
• En meritförteckning (CV);
• Examensbevis och registerutdrag med betyg (översatt till engelska eller svenska);
• Examensrapport (eller utkast till sådan, och/eller annan egenproducerad teknisk eller vetenskaplig text), publikationer och andra relevanta dokument;
• Kontaktinformation till två referenser (namn, e-post och telefonnummer)

Upplysningar om anställningen lämnas av: Ayca Özcelikkale, ayca.ozcelikkale@angstrom.uu.se

Välkommen med din ansökan senast 2026-05-08. UFV-PA 2026/1113.