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.

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.

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.