Mon but à long terme est de comprendre l'intelligence; comprendre ses principes sous-jacents nous donnerait accès à l'intelligence artificielle (IA), et je crois que les algorithmes d'apprentissage sont essentiels dans cette quête. Les algorithmes d'apprentissage pourraient donner aux ordinateurs la capacité de capter des connaissances opérationnelles (pas nécessairement sous forme symbolique/verbale) à partir d'exemples. Une machine ayant appris de telles connaissances pourrait ainsi faire des prédictions ou des classifications correctes sur de nouveaux cas, généraliser à de nouvelles situations. La recherche dans ce domaine a été couronnée de nombreux succès au cours des trois dernières décades, et elle est maintenant appliquée dans de nombreux domaines de la science et de la technologie.

Parmi les applications les plus connues on inclut les engins de recherche, le traitement du langage naturel, la traduction automatique, la reconnaissance de la parole, la vision par ordinateur, et la fouille de données. Mes recherches à long terme portent sur l'apprentissage de représentations, afin de dépasser des limites théoriques et pratiques des algorithmes (linéaires ou à noyau) qui ont dominé l'apprentissage machine jusqu'à récemment. Pour contourner ces limitations, une nouvelle approche appelée apprentissage profond a été développée ici et dans quelques laboratoires depuis 2006 et a connu des succès fracassants au cours des dernières années.

Ses intérêts de recherche sont axés sur le développement de modèles et d’algorithmes pour les architectures profondes d’apprentissage, plus particulièrement le développement de modèles probabilistes et des méthodes d’inférence, avec des applications incluant la vision par ordinateur et le traitement du langage.

Mes travaux portent essentiellement sur l'application des techniques de la recherche opérationnelle aux problèmes de planification de réseaux de transport et de télécommunications.

Un des principaux domaines de recherche est la mise au point de métaheuristiques efficaces permettant d'obtenir de bonnes solutions à divers problèmes difficiles à résoudre de façon exacte: confection de tournées de véhicules, synthèse de réseaux de transport ou de télécommunications, localisation d'installations, etc.

En tant que co-directeur du Laboratoire sur les systèmes intelligents de transport du Centre de recherche sur les transports, je m'intéresse aussi particulièrement aux problèmes de gestion de systèmes de transport en temps réel, notamment ceux qui représentent des dimensions dynamiques ou stochastiques.

Ma recherche se situe à l’intersection de l’apprentissage par renforcement et de la prédiction probabiliste. Je m’intéresse aussi à l’apprentissage profond, à la modélisation générative, à l’apprentissage en ligne et à la théorie de l’information.

Son objectif de recherche principal est de mettre au point et d’analyser des techniques d’apprentissage automatique qui peuvent exploiter, à large échelle, la riche structure de données dans des applications interdisciplinaires, comme le traitement du langage naturel, l’extraction d’information, la vision artificielle et la biologie computationnelle. À cette fin, il associe des outils d’optimisation, de statistiques et d’informatique, et il aime particulièrement travailler à l’interface entre les domaines. Lacoste-Julien est reconnu pour ses contributions dans trois domaines : prédiction structurée (problèmes de classification où les extrants sont des objets structurés, comme des séquences ou des graphiques); optimisation à large échelle (méthode des gradients incrémentaux et optimisation de Frank-Wolfe); et association de méthodes génératives et discriminatoires.

Pour tenter de comprendre pourquoi certains modèles d’apprentissage profond fonctionnent étonnamment bien avec des données qui leur sont inconnues, Ioannis Mitliagkas s’intéresse en particulier à l’apport des statistiques et de la théorie de l’information.

Intelligence artificielle, la vision par ordinateur, la reconnaissance de formes et l’apprentissage automatique avec des applications à l’infographie, l’analyse du langage naturel et l’exploration des données.

Mes intérêts de recherche portent sur le développement de méta-heuristiques, tels la recherche tabou et les algorithmes génétiques, afin de résoudre des problèmes d'optimisation dans le domaine des transports. Je m'intéresse tout particulièrement aux problèmes de tournées de véhicules sujets à divers types de contraintes, comme des fenêtres de temps pour le service aux clients. De tels problèmes se retrouvent dans de nombreuses applications réelles: services de cueillettes et livraisons, courrier rapide, transport adapté, etc. J'étudie également des versions dynamiques de ces problèmes qui surviennent lorsque les requêtes des clients sont reçues de façon continue tout au cours de la journée. Ces requêtes doivent alors être intégrées en temps réel dans les routes courantes des véhicules.

Je m’intéresse aux méthodes de tenseurs pour l’apprentissage automatique et à la conception d’algorithmes d’apprentissage pour les données structurées en utilisant l’algèbre linéaire et multilinéaire (par exemple, les méthodes spectrales).

Dhanya Sridhar poursuivra ses travaux dans les domaines de l’apprentissage automatique, de la causalité et des sciences sociales informatiques. Parmi ses travaux récents, elle a étudié les effets des textos entre amis sur la participation électorale aux États-Unis.

Mes recherches portent sur les principes computationnels fondamentaux qui sous-tendent l'extraordinaire capacité à apprendre, comprendre et s'adapter à l'environnement qui caractérise l'intelligence. Le développement de nouveaux algorithmes d'apprentissage basés sur de tels principes, et entraînés avec de vastes quantités de données, est à l'origine des plus récentes percées technologiques en intelligence artificielle.

Je m'intéresse plus particulièrement à la manière dont, partant de flux de données sensorielles brutes (telles les images et les sons), peuvent se construire de façon autonome des représentations de haut niveau, porteuses de sens. Un peu comme ce que savent faire les réseaux de neurones du cerveau, cela revient à modéliser intelligemment la structure de la réalité observée, en y découvrant et exploitant des régularités statistiques complexes.