Struggling with your job search or applications? Get support from your personal job coach at BeginnerLuft. Free with an AVGS voucher.
Salary for this role
Fakultät IV - Elektrotechnik und Informatik, BIFOLD / FG Maschinelles Lernen und IT-Sicherheit
Wiss. Mitarbeiter*in (d/m/w)
Teilzeitbeschäftigung ist ggf. möglich
Über uns
Das Fachgebiet „Maschinelles Lernen und IT-Sicherheit“ am Institut BIFOLD sucht einen wissenschaftlichen Mitarbeiter*in für das Forschungsprojekt „AMIRA“. Das Projekt untersucht die Sicherheit und Vertrauenswürdigkeit von Mechanistic Interpretability, einer Familie von Methoden zur Erklärung neuronaler Netze wie Circuit Discovery und Sparse Autoencoders. Ziel ist es, die Verwundbarkeiten dieser Methoden zu charakterisieren, neue Angriffe zu konzipieren und geeignete Verteidigungsmechanismen zu entwickeln.
Ihre Aufgaben
Sicherheitsanalyse von Methoden der Mechanistic Interpretability
Erforschung und Entwicklung von Angriffen gegen diese Methoden
Erforschung und Entwicklung von Verteidigungsmechanismen für diese Methoden
Wissenschaftliches Publizieren und die Möglichkeit zur Promotion
Ihr Profil
Erfolgreich abgeschlossenes wissenschaftliches Hochschulstudium (Master, Diplom oder Äquivalent) in Informatik oder einem verwandten technischen Fach
Sehr gute Kenntnisse im Bereich Maschinelles Lernen
Sehr gute Kenntnisse im Bereich IT-Sicherheit
Erfahrung im Bereich Adversarial Machine Learning
Erfahrung im Bereich Mechanistic Interpretability
Gute Deutsch- und/oder Englischkenntnisse sind erforderlich; Bereitschaft, die jeweils fehlenden Sprachkenntnisse zu erwerben
Fähigkeit zu selbstständiger wissenschaftlicher Arbeit erwünscht
Wir bieten
Spannende und anspruchsvolle Forschung
Kollegiales und kooperatives Arbeitsumfeld
Renommiertes und engagiertes Team
Internationales Forschungsnetzwerk
Hinweise zur Bewerbung
Ihre Bewerbung richten Sie bitte unter Angabe der Kennziffer IV-428/26 mit den üblichen Unterlagen (in einem PDF-Dokument, max. 5 MB) ausschließlich per E-Mail an .
Alle Unterlagen sind in einem einzigen PDF-Dokument einzureichen. Dazu zählen mindestens:
