Faire progresser la recherche en IA et développer les talents. Découvrez les publications, les bourses d'études, les offres d'emploi et recrutez des professionnels exceptionnels en IA.
Les recherches de Roy en apprentissage profond couvrent la théorie et la pratique. Ses contributions vont de ses travaux pionniers sur la théorie statistique empirique de l'apprentissage profond, aux algorithmes de pointe pour la compression des réseaux de neurones et l'entraînement parallèle des données. Ses travaux expérimentaux ont éclairé divers phénomènes d'apprentissage profond, notamment la dynamique d'entraînement des réseaux de neurones et la connectivité en mode linéaire, tandis que ses travaux théoriques récents introduisent des modèles mathématiques simples mais précis pour les réseaux de neurones profonds lors de leur initialisation.
Outre ses contributions à l'apprentissage profond, Roy a fait des percées significatives dans les fondements mathématiques et statistiques de l'IA. Sa thèse sur les langages de programmation probabilistes et la théorie des probabilités calculables a été récompensée par le prix Sprowls du MIT. Roy a récemment résolu plusieurs problèmes ouverts en théorie de la décision statistique, posés il y a plus de 70 ans, en exploitant les propriétés des nombres infinitésimaux pour élargir l'ensemble des distributions a priori bayésiennes admissibles. Ses travaux les plus récents, axés sur la prise de décision robuste et adaptative, ont été salués par de nombreuses présentations orales lors de conférences majeures et par des prix du meilleur poster.