L'Institut Vector est heureux d'annoncer l'arrivée de cinq nouveaux professeurs, élargissant ainsi son corps professoral à des chercheurs affiliés à des universités et institutions canadiennes, de l'Université de la Colombie-Britannique à l'ouest jusqu'à l'Université Dalhousie à l'est, en passant par plusieurs autres établissements. Ces nouveaux professeurs apportent à Vector leur expertise en apprentissage automatique, biologie computationnelle, vision par ordinateur, infographie, réseaux neuronaux, classification, sécurité informatique, protection de la vie privée et apprentissage automatique statistique et computationnel. Grâce à ces nouvelles recrues, l'Institut Vector a triplé la taille de son corps professoral fondateur depuis mars 2017.
Les nouveaux professeurs de l'Institut Vector sont :
- Shai Ben-David, Université de Waterloo
Shai a obtenu son doctorat en mathématiques à l'Université hébraïque de Jérusalem et a été professeur au Technion (Institut de technologie d'Israël). Il a également occupé des postes de professeur invité dans le monde entier et est professeur à l'École d'informatique David R. Cheriton de l'Université de Waterloo depuis 2004. Ses recherches portent sur divers sujets en statistique computationnelle, en théorie de l'apprentissage automatique, ainsi qu'en apprentissage non supervisé et en classification. - Sara Mostafavi, Université de la Colombie-Britannique
Sara Mostafavi est professeure adjointe au Département de statistique et au Département de génétique médicale, et membre associée du Département d'informatique, à l'Université de la Colombie-Britannique (UBC). Elle a obtenu son doctorat en informatique à l'Université de Toronto en 2011, sous la direction de Quaid Morris, membre du corps professoral de Vector, et a effectué son stage postdoctoral à l'Université Stanford. Ses recherches portent sur le développement et l'application de l'apprentissage machine et des méthodes statistiques à l'étude de la génomique des maladies complexes, notamment les troubles psychiatriques. - Nicolas Papernot, Université de Toronto
Nicolas 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 confidentialité de l'apprentissage automatique au sein du groupe d'Úlfar Erlingsson. Ses recherches portent sur la sécurité informatique, la protection de la vie privée et l'apprentissage automatique. - Leonid Sigal, Université de la Colombie-Britannique, et Borealis AI
En 2017, Leonid a quitté l'Université Carnegie Mellon et Disney Research à Pittsburgh pour se joindre à l'Université de la Colombie-Britannique (UBC) à Vancouver en tant que professeur agrégé au Département d'informatique. Ses recherches portent sur l'apprentissage machine et la vision par ordinateur, et plus particulièrement sur la reconnaissance d'objets, la compréhension de scènes, la reconnaissance d'actions, l'apprentissage multimodal et les réseaux de neurones. - Bo Wang, Centre cardiaque Peter Munk (PMCC) et Institut Techna du Réseau universitaire de santé (UHN), et Faculté de médecine de l'Université de Toronto .
Ayant récemment obtenu son doctorat à Stanford, Bo occupera le poste de chercheur principal en intelligence artificielle, un poste qu'il occupera conjointement au sein du PMCC et du Vector Institute. Il sera responsable du développement et de l'intégration de nouvelles approches d'apprentissage machine dans la prise en charge des patients atteints de maladies cardiaques et vasculaires.
Grâce à leurs parcours et à leurs compétences de recherche très diversifiés, acquis au sein d'institutions et de laboratoires canadiens et internationaux, les nouveaux professeurs de Vector se joindront à une communauté dynamique de chercheurs innovateurs, travaillant de manière interdisciplinaire sur des projets de recherche fondamentale et appliquée.
Depuis son lancement en 2017, l'Institut Vector a pris de l'ampleur et compte aujourd'hui 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 dans des conférences et des revues de premier plan en apprentissage automatique. Les chercheurs de Vector reçoivent régulièrement des prix prestigieux pour leurs contributions scientifiques et figurent parmi les innovateurs les plus influents du Canada, notamment sur la liste des 40 personnalités de moins de 40 ans les plus prometteuses et dans la MIT Technology Review . Ensemble, ils œuvrent à la réalisation de la vision de Vector : faire de l'IA un moteur d'excellence et de leadership au Canada, tant en matière de connaissances et de création que d'utilisation, afin de stimuler la croissance économique et d'améliorer la vie des Canadiens.
Apprendre encore plus :
Devis:
Richard Zemel, directeur de recherche
Au cours des dix-huit derniers mois, des scientifiques de renom 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 des secteurs de l'industrie et de la santé de devenir des leaders dans l'adoption de l'IA.
En tant que directrice de la recherche, je suis fière de nos réalisations. Ma priorité est de continuer à bâtir une équipe talentueuse et collaborative. On a beaucoup de travail devant nous. Face à une demande croissante et à la menace que représentent les entreprises internationales pour attirer nos talents, il est essentiel d'assurer un flux constant de nouveaux talents afin de renforcer la recherche en apprentissage automatique et de contribuer à l'économie du savoir au Canada.
Garth Gibson, président et chef de la direction
Vector est devenu un pôle d'attraction pour les meilleurs talents en IA, désireux de collaborer avec leurs pairs, de mener des recherches fondamentales ou appliquées, d'enseigner, de travailler avec l'industrie ou encore de lancer leur propre start-up. Vector offre une structure unique qui fait le lien entre le monde universitaire, l'industrie et les institutions, et permet aux chercheurs d'exploiter des ensembles de données existants pour résoudre des problèmes concrets. Les nouveaux membres du corps professoral de Vector, annoncés aujourd'hui, se joindront à une équipe de chercheurs de renommée mondiale déjà bien établie au sein de l'Institut Vector, et nous avons hâte de voir ce qu'ils accompliront ensemble.
Faites connaissance avec nos nouveaux professeurs
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 de technologie d'Israël). Au cours de sa carrière, il a occupé des postes de professeur invité à l'Université nationale australienne, à l'Université Cornell, à l'ETH Zurich, au TTI Chicago et à l'Institut Simons de Berkeley. Depuis 2004, il est professeur à l'École d'informatique David R. Cheriton de l'Université de Waterloo. Il a également présidé un comité de programme et a été membre du comité de programme principal de la Conférence internationale sur l'apprentissage automatique (ICML) et de la Conférence sur les systèmes de traitement de l'information neuronale (NeurIPS).
Les recherches de Shai portent sur divers sujets en théorie de l'informatique, notamment la logique, la théorie du calcul distribué et la théorie de la complexité. Au cours des dernières années, il s'est concentré sur la théorie de l'apprentissage automatique. Parmi ses contributions notables dans ce domaine figurent des avancées majeures dans l'analyse de l'adaptation de domaine, l'apprentissage des fonctions à valeurs réelles et la détection de changements dans les flux de données.
Shai a apporté des contributions fondamentales au domaine de l'apprentissage non supervisé, notamment à la théorie du regroupement et au développement d'outils d'aide à la sélection des algorithmes adaptés aux besoins spécifiques de chaque domaine. Il a aussi publié des travaux de référence sur la complexité moyenne, l'analyse concurrentielle et les solutions de rechange à la complexité dans le pire des cas.
Points forts :
- Président de l'Association pour la théorie de l'apprentissage computationnel (2009-2012).
- Président du programme des principales conférences sur la théorie de l'apprentissage machine (COLT et ALT), et président de domaine pour ICML, NeurIPS et AISTATS.
- Coauteur du manuel « Comprendre l’apprentissage machine : de la théorie aux algorithmes ».
Sara Mostafavi
Sara Mostafavi est professeure adjointe au Département de statistique et au Département de génétique médicale, et membre associée du Département d'informatique, à l'Université de la Colombie-Britannique (UBC). Elle a obtenu son doctorat en informatique à l'Université de Toronto en 2011, sous la direction de Quaid Morris, membre du corps professoral de Vector, et a effectué son stage postdoctoral à l'Université Stanford.
Les travaux de recherche de Sara portent sur le développement et l'application de méthodes d'apprentissage machine et de statistiques à l'étude de la génomique des maladies complexes, notamment les troubles psychiatriques. Son équipe s'intéresse plus particulièrement à l'élaboration de modèles permettant de combiner les données d'association provenant de différents types de données génomiques, telles que les données d'expression génique et de génotype, et à la modélisation des voies et réseaux biologiques existants afin de distinguer les corrélations fallacieuses des corrélations significatives.
Points forts :
- Chaire de recherche du Canada (niveau II) en biologie computationnelle
- Boursier du CIFAR au sein du programme de développement de l'enfant et du cerveau
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 confidentialité de l'apprentissage automatique au sein du groupe d'Úlfar Erlingsson. Nicolas a obtenu son doctorat en informatique et ingénierie à l'Université d'État de Pennsylvanie, sous la direction du professeur Patrick McDaniel, grâce à une bourse doctorale Google en sécurité. Auparavant, il a obtenu une maîtrise et un baccalauréat en sciences de l'ingénieur à l'École Centrale de Lyon. Il siège aux comités de programme de plusieurs conférences, dont CCS, PETS et USENIX Security. Il a aussi présidé l'atelier NeurIPS 2018 sur la sécurité dans l'apprentissage automatique.
Les recherches de Nicolas portent sur la sécurité informatique, la protection de la vie privée et l'apprentissage automatique. Avec ses collaborateurs, il a démontré les premières attaques pratiques en boîte noire contre les réseaux neuronaux profonds. Ses travaux sur la confidentialité différentielle pour l'apprentissage machine, notamment le développement d'une famille d'algorithmes appelée PATE ( Private Aggregation of Teacher Ensembles ), ont facilité la contribution des chercheurs en apprentissage machine à la recherche sur la confidentialité différentielle. Il a aussi coécrit avec Ian Goodfellow une bibliothèque open source appelée CleverHans, maintenant largement utilisée dans la communauté technique pour évaluer les performances de l'apprentissage machine dans des contextes adverses.
Points saillants
- Bourse de doctorat Google en sécurité
- Prix du meilleur article (5e Conférence internationale sur les représentations d'apprentissage)
Léonide Sigal
Leonid Sigal est professeur agrégé au département d'informatique de l'Université de la Colombie-Britannique depuis 2017. Auparavant, il était chercheur principal chez Disney Research Pittsburgh et chargé de cours à l'Université Carnegie Mellon. Il est titulaire d'un doctorat en informatique de l'Université Brown et a effectué un stage postdoctoral à l'Université de Toronto. Leonid est aussi conseiller scientifique chez Borealis AI.
Les recherches de Leonid portent principalement sur la vision par ordinateur, l'apprentissage machine et l'infographie. Ses travaux portent sur les problèmes de compréhension et de raisonnement visuels et multimodaux (visuels, texturaux et auditifs), notamment la reconnaissance d'objets, la compréhension de scènes, la capture de mouvement articulée, la reconnaissance d'actions, l'apprentissage de représentations, l'apprentissage de variétés, l'apprentissage par transfert, ainsi que l'animation de personnages et de vêtements.
Points saillants
- Chaire de recherche du Canada du CRSNG (niveau 2) en vision par ordinateur et apprentissage automatique (2018-2023)
- Bénéficiaire du supplément Accélérateur de découverte du CRSNG (2018-2021)
- Rédacteur associé des revues IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI) et Computer Vision and Image Understanding (CVIU)
- Président de zone pour ECCV (2014, 2018), IEEE ICCV (2015), IEEE CVPR (2019)
Bo Wang
Bo Wang a obtenu son doctorat au département d'informatique de l'Université Stanford en 2017. Ses travaux de doctorat portent sur les méthodes statistiques de résolution de problèmes en biologie computationnelle, avec un accent particulier sur l'analyse intégrative du cancer et l'analyse unicellulaire.
Bo possède une vaste expérience de recherche acquise au sein de nombreuses organisations de premier plan telles que Sick Kids, Illumina et Genentech. Il publie régulièrement dans des conférences majeures sur l'apprentissage machine, comme la conférence CVPR (Computer Vision and Pattern Recognition) et la conférence NeurIPS (Neural Information Processing Systems Conference), et compte plusieurs articles en tant que premier auteur dans des revues de renommée mondiale telles que Nature Methods et Nature Communications.
Les principaux domaines de recherche de Bo sont l'apprentissage machine, la biologie computationnelle et la vision par ordinateur. Grâce à ses objectifs de recherche à long terme, Bo vise à développer des algorithmes d'apprentissage automatique intégrés et interprétables, capables d'aider les cliniciens grâce à des modèles prédictifs et à une aide à la décision, afin d'adapter les soins aux caractéristiques cliniques et génomiques uniques de chaque patient.
En plus de sa nomination comme membre du corps professoral de Vector, Bo occupera le poste de scientifique principal en intelligence artificielle au Centre cardiaque Peter Munk du Réseau universitaire de santé (UHN) et à l'Institut Techna. Dans ce rôle, il se concentrera principalement sur la création et la direction de l'équipe d'IA chargée de développer de nouvelles approches d'apprentissage automatique et de les intégrer aux soins prodigués aux patients atteints de maladies cardiaques et vasculaires. Bo est aussi professeur de médecine à l'Université de Toronto.
