30 novembre 2018
L’Institut Vector est heureux d’annoncer cinq nouveaux membres du corps professoral Vector, élargissant le corps professoral de Vector pour inclure des chercheurs nommés conjointement dans des universités et institutions canadiennes, allant de l’UBC à l’ouest à Dalhousie à l’est, et plusieurs autres entre les deux. Le nouveau corps professoral apporte à Vector une expertise en apprentissage automatique, biologie computationnelle, vision par ordinateur, infographie, réseaux neuronaux, clustering, sécurité informatique, vie privée ainsi qu’apprentissage automatique statistique et computationnel. Avec ces nouvelles additions, l’Institut Vector a maintenant triplé la taille de son corps professoral fondateur depuis mars 2017.
Avec des parcours très diversifiés et des forces en recherche provenant d’institutions et laboratoires canadiens et internationaux, le nouveau corps professoral de Vector rejoindra une communauté dynamique de résolveurs de problèmes innovants, travaillant à travers les disciplines tant sur la recherche pure qu’appliquée.
Depuis son lancement en 2017, l’Institut Vector est devenu une communauté de plus de 240 chercheurs, incluant professeurs, postdoctorants, étudiants et affiliés. Au cours de la dernière année, ils ont publié plus de 100 articles, dont plusieurs ont été présentés dans les principales conférences et revues d’apprentissage automatique. Les chercheurs en vecteurs reçoivent souvent les plus hautes distinctions pour leurs contributions scientifiques et ont été nommés parmi les meilleurs innovateurs sur la liste des 40 meilleurs de moins de 40 ans du Canada ainsi que par le MIT Technology Review. Ensemble, ils travaillent à réaliser la vision de Vector visant à promouvoir l’excellence et le leadership dans la connaissance, la création et l’utilisation de l’IA au Canada pour favoriser la croissance économique et améliorer la vie des Canadiens.
En savoir plus :
Richard Zemel, directeur de la recherche
Au cours de la dernière année et demie, des scientifiques de premier plan du Canada et du monde entier ont choisi Vector comme destination pour mener des recherches de pointe en apprentissage automatique, former la prochaine génération de talents et permettre à nos partenaires industriels et du secteur de la santé de devenir des leaders dans l’adoption de l’IA.
En tant que directeur de la recherche, je suis fier de ce que nous avons accompli. C’est ma priorité de continuer à bâtir une équipe talentueuse et collaborative. Nous avons beaucoup de travail devant nous. Avec la demande croissante et les entreprises mondiales menaçant de drainer nos talents, il est essentiel de maintenir un vivier de talents pour continuer à renforcer la recherche en apprentissage automatique et à contribuer à l’économie du savoir au Canada.
Garth Gibson, président et chef de la direction
Vector est devenu un phare pour les meilleurs talents en IA afin de collaborer avec leurs pairs, d’avoir la flexibilité de mener de la recherche pure ou appliquée, d’enseigner aux étudiants ou de collaborer avec l’industrie, ainsi que de lancer une nouvelle start-up. Vector offre une structure unique qui fait le lien entre le milieu universitaire, l’industrie et les institutions, et offre aux chercheurs des occasions de travailler avec des ensembles de données existants pour résoudre des défis concrets. Les nouveaux membres du corps professoral de Vector annoncés aujourd’hui se joindront à une équipe de chercheurs de calibre mondial actuellement à l’Institut Vector, et nous sommes impatients de voir ce qu’ils accompliront ensemble.
Shai Ben-David
Shai Ben-David a obtenu son doctorat en mathématiques à l’Université hébraïque de Jérusalem et a été professeur d’informatique au Technion (Institut israélien de technologie). Au fil des ans, il a occupé des postes de professeur invité à l’Australian National University, à l’Université Cornell, à l’ETH Zurich, au TTI Chicago et à l’Institut Simons de Berkeley. Shai est professeur à la David R. Cheriton School of Computer Science de l’Université de Waterloo depuis 2004. Il a également été président régional et membre principal du comité de programme pour la Conférence internationale sur l’apprentissage automatique (ICML) et la Conférence sur les systèmes de traitement de l’information neuronale (NeurIPS).
Les intérêts de recherche de Shai couvrent divers sujets en théorie de l’informatique, notamment la logique, la théorie du calcul distribué et la théorie de la complexité. Ces dernières années, son attention s’est tournée vers la théorie de l’apprentissage automatique. Parmi ses contributions notables dans ce domaine figurent des avancées pionnières dans l’analyse de l’adaptation du domaine, l’apprentabilité des fonctions réelles et la détection des changements dans les données en flux.
Shai a apporté des contributions fondamentales dans le domaine de l’apprentissage non supervisé à la théorie du regroupement et au développement d’outils pour guider les utilisateurs dans le choix des algorithmes adaptés à leurs besoins de domaine. Il a également publié des travaux fondamentaux sur la complexité moyenne des cas, l’analyse concurrentielle et les alternatives à la complexité du pire cas.
Faits marquants :
Sara Mostafavi
Sara Mostafavi est professeure adjointe au département de statistique et au département de génétique médicale, et membre affiliée du département d’informatique de l’Université de la Colombie-Britannique (UBC). Elle a obtenu son doctorat en informatique de l’Université de Toronto en 2011, en collaboration avec Quaid Morris, membre du corps professoral de Vector, et a complété sa bourse postdoctorale à l’Université Stanford.
Les intérêts de recherche de Sara incluent le développement et l’application de méthodes d’apprentissage automatique et statistiques pour étudier la génomique des maladies complexes, en particulier les troubles psychiatriques. Son groupe de recherche s’intéresse particulièrement au développement de modèles pour combiner des preuves d’association entre plusieurs types de données génomiques, telles que l’expression génique et les données de génotype, ainsi qu’à modéliser les voies et réseaux biologiques antérieurs pour démêler les corrélations spuries des corrélations significatives.
Faits marquants :
Nicolas Papernot
Nicolas Papernot se joindra au département de génie électrique et informatique (ECE) de l’Université de Toronto à titre de professeur adjoint à l’automne 2019. Il est actuellement chercheur chez Google Brain, où il travaille sur la sécurité et la vie privée de l’apprentissage automatique dans le groupe d’Úlfar Erlingsson. Nicolas a obtenu son doctorat en informatique et génie à la Pennsylvania State University, travaillant avec le professeur Patrick McDaniel et soutenu par une bourse Google PhD en sécurité. Avant cela, il a obtenu une maîtrise et un baccalauréat en sciences de l’ingénierie à l’École Centrale de Lyon. Il siège aux comités de programme de plusieurs conférences, dont CCS, PETS et USENIX Security. Il est également président de l’atelier NeurIPS 2018 sur la sécurité dans l’apprentissage automatique.
Les intérêts de recherche de Nicolas couvrent les domaines de la sécurité informatique, de la vie privée et de l’apprentissage automatique. Avec ses collaborateurs, il a démontré les premières attaques pratiques en boîte noire contre des réseaux neuronaux profonds. Ses travaux sur la confidentialité différentielle pour l’apprentissage automatique, impliquant le développement d’une famille d’algorithmes appelée Private Aggregation of Teacher Ensembles (PATE), ont facilité la contribution des chercheurs en apprentissage automatique à la recherche sur la confidentialité différentielle. Il a également coécrit avec Ian Goodfellow une bibliothèque open source appelée CleverHans, aujourd’hui largement adoptée dans la communauté technique pour évaluer l’apprentissage automatique dans des contextes adverses.
Faits marquants
Leonid Sigal
Leonid Sigal est professeur agrégé au département d’informatique de l’Université de la Colombie-Britannique depuis 2017. Avant cela, il a été chercheur principal chez Disney Research Pittsburgh et professeur adjoint à l’Université Carnegie Mellon. Il a obtenu son doctorat en informatique de l’Université Brown et a complété une bourse postdoctorale à l’Université de Toronto. Leonid agit également comme conseiller scientifique pour Borealis AI.
Les intérêts de recherche de Leonid portent principalement sur la vision par ordinateur, l’apprentissage automatique et l’infographie. Ses recherches portent sur les problèmes de compréhension visuelle et multimodale (visuelle, texturale, auditive), incluant la reconnaissance d’objets, la compréhension de scènes, la capture de mouvement articulée, la reconnaissance d’actions, l’apprentissage de la représentation, l’apprentissage de la multiplication, l’apprentissage par transfert, l’animation de personnages et de tissu.
Faits marquants
Bo Wang
Bo Wang a obtenu son doctorat au département d’informatique de l’Université Stanford en 2017. Son doctorat porte sur les méthodes statistiques pour résoudre des problèmes en biologie computationnelle, avec un accent sur l’analyse intégrative du cancer et l’analyse unicellulaire.
Bo possède une vaste expérience de recherche dans de nombreuses organisations de premier plan telles que Sick Kids, Illumina et Genentech. Il publie régulièrement lors de conférences majeures sur l’apprentissage automatique, telles que la conférence sur la vision par ordinateur et la reconnaissance de motifs (CVPR) et la conférence sur les systèmes de traitement de l’information neuronale (NeurIPS), et a publié plusieurs articles comme premier auteur dans des revues mondialement reconnues telles que Nature Methods et Nature Communications.
Les principaux domaines de recherche de Bo sont l’apprentissage automatique, la biologie computationnelle et la vision par ordinateur. À travers ses objectifs de recherche à long terme, Bo vise à développer des algorithmes d’apprentissage automatique intégratifs et interprétables qui peuvent aider les cliniciens avec des modèles prédictifs et un soutien à la décision pour adapter les soins des patients à leurs caractéristiques cliniques et génomiques uniques.
En plus d’être nommé membre du corps professoral Vector, Bo occupera le poste de scientifique principal en intelligence artificielle au Peter Munk Cardiac Centre du University Health Network (UHN) et de l’Institut Techna. L’objectif principal de Bo dans ce rôle sera de bâtir et de diriger l’équipe d’IA dans le développement de nouvelles approches d’apprentissage automatique et leur intégration dans les soins des patients atteints de maladies cardiaques et vasculaires. Bo est également membre du corps professoral de médecine à l’Université de Toronto.
