Vision par ordinateur, apprentissage profond, traitement du langage naturel, vision et langage, questions-réponses visuelles.

Intérêts de recherche

• Réseaux de neurones récurrents
• Apprentissage continu
• Apprentissage par renforcement
• Apprentissage profond
• Traitement du langage naturel
• Apprentissage machine
• Intelligence artificielle

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.

Ses intérêts de recherche se concentrent sur les biais et la discrimination en IA, mais incluent également les modèles graphiques probabilistes, la prise de décision en situation d’incertitude et les sciences sociales informatiques.

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.

Ses recherches portent sur la conception de modèles génératifs et d’interfaces pour soutenir la création musicale et plus généralement le processus de création. Son travail se situe à l’intersection de l’apprentissage automatique, de l’interaction personne-machine et de la musique. Elle est la créatrice du « Music Transformer »  et du modèle « ML Coconet » qui a alimenté le premier « AI Doodle » de Google, le « Bach Doodle » , qui a harmonisé en deux jours 55 millions de mélodies d’utilisateurs du monde entier.

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.

Les intérêts de recherche de Bang Liu sont dans le domaine du traitement du langage naturel, de l'exploration de données, de l'apprentissage en profondeur, de la complétion de matrice de rang faible et de l'analyse des données spatiales

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.

L’objectif du projet de recherche de Liam Paull est de faire progresser les capacités des robots mobiles autonomes. Celles-ci comprennent les facultés à percevoir l'environnement, à y naviguer et à interagir avec lui, ainsi qu'à coopérer et à collaborer avec d'autres robots. Il est prévu que la robotique mobile aura une influence sociétale importante dans les années à venir.

Expertises :

• Robotique,
• Véhicule autonome,
• Apprentissage profond pour les véhicules autonomes

Contributions :
Cofondateur de Duckietown, un projet de recherche, d’éducation et de diffusion sur les véhicules autonomes

Spécialisée en apprentissage profond et neuroscience, analyse de données neurales et l’informatique bio-inspirée, elle concentre ses recherches actuelles sur l’apprentissage continu et l’optimisation dans les réseaux neuronaux profonds, la modélisation épars et l’inférence probabiliste, les systèmes dynamiques et la théorie de l’information.

Intérêts de recherche : apprentissage en profondeur, apprentissage par renforcement, apprentissage par représentation graphique, compréhension du langage naturel, systèmes de recommandation et découverte de médicaments

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.