Hassan Ashtiani est professeur agrégé au département d'informatique et de génie logiciel de l'Université McMaster. Il a obtenu son doctorat en informatique à l'Université de Waterloo. Auparavant, il a obtenu une maîtrise en intelligence artificielle et robotique et une licence en génie informatique, toutes deux à l'Université de Téhéran. Ses travaux portent principalement sur les fondements de l'apprentissage non supervisé, la confidentialité différentielle, la robustesse et la théorie de l'apprentissage profond.

Les travaux d'Hassan en apprentissage non supervisé portent sur l'apprentissage de distributions et la modélisation générative. Il est notamment connu pour avoir introduit des schémas de compression de distribution permettant d'analyser la complexité d'échantillonnage de l'apprentissage de mélanges gaussiens et de classes de distributions apparentées, telles que celles paramétrées par des réseaux somme-produit.

Dans le domaine de la confidentialité différentielle, Hassan a conçu des algorithmes d'estimation statistique privée (par exemple, la sélection d'hypothèses) et d'apprentissage privé de distributions de grande dimension (par exemple, les gaussiennes et leurs mélanges). Il s'intéresse particulièrement à la conception de réductions de type « boîte noire » permettant de passer d'un apprentissage privé à un apprentissage non privé, avec une surcharge statistique et/ou de calcul minimale.

Dans le domaine de la robustesse adverse lors des tests, Hassan a introduit le cadre « tolérant » pour l'apprentissage adverse, une tentative pour combler le fossé entre la littérature théorique et appliquée.

Hassan s'intéresse aux fondements théoriques du succès des méthodes d'apprentissage profond. Cela inclut l'obtention de bornes de généralisation modernes pour les modèles profonds, ainsi que la définition de nouvelles notions de « régularité de distribution » permettant à ces modèles d'obtenir des performances bien supérieures à celles suggérées par l'analyse du pire cas. Cette approche englobe des scénarios tels que l'alignement de domaines non supervisé et l'apprentissage sous décalage de distribution.