Les chercheurs de Vector se préparent pour la plus importante conférence mondiale sur l'apprentissage machine, la 33e conférence annuelle sur les systèmes de traitement de l'information neuronale (NeurIPS). Cette conférence multi-sessions sur l'apprentissage machine et les neurosciences computationnelles comprend des conférences invitées, des démonstrations, des symposiums et des présentations orales et par affiche d'articles évalués par des pairs. NeurIPS 2019 aura lieu du 8 au 14 décembre au Centre des congrès de Vancouver, à Vancouver (Colombie-Britannique).
Cette année, les chercheurs de Vector ont vu 23 de leurs articles acceptés à la conférence, un résultat impressionnant. De plus, ils organisent quatre ateliers.
Lors de la conférence NeurIPS 2018, les professeurs et les étudiants de Vector ont collaboré et remporté deux des quatre prix du meilleur article, ainsi qu'un prix du meilleur article étudiant, pour leurs recherches. Pour en savoir plus sur les réalisations de Vector lors de la conférence de l'an dernier, cliquez ici .
Articles acceptés par les chercheurs de Vector :
Génération efficace de graphes avec des réseaux d'attention récurrents sur graphes
Renjie Liao (Université de Toronto) · Yujia Li (DeepMind) · Yang Song (Université Stanford) · Shenlong Wang (Université de Toronto) · Will Hamilton (Université McGill) · David Duvenaud (Université de Toronto) · Raquel Urtasun (Uber ATG) · Richard Zemel (Institut Vector/Université de Toronto)
Apprentissage incrémental à partir de quelques exemples avec des réseaux d'attracteurs d'attention
Mengye Ren (Université de Toronto / Uber ATG) · Renjie Liao (Université de Toronto) · Ethan Fetaya (Université de Toronto) · Richard Zemel (Vector Institute/Université de Toronto)
SMILe : Apprentissage par renforcement inverse méta évolutif grâce à des politiques contextuelles
Seyed Kamyar Seyed Ghasemipour (Université de Toronto, Vector Institute) · Shixiang (Shane) Gu (Google Brain) · Richard Zemel (Vector Institute/Université de Toronto)
Quand le lissage des étiquettes est-il utile ?
Rafael Müller (Google Brain) · Simon Kornblith (Google Brain) · Geoffrey E. Hinton (Google et Université de Toronto)
Encodeurs à capsules empilées
Adam Kosiorek (Université d'Oxford) · Sara Sabour (Google) · Yee Whye Teh (Université d'Oxford, DeepMind) · Geoffrey E Hinton (Google et Université de Toronto)
Optimiseur de prédiction : k pas en avant, 1 pas en arrière
Michael Zhang (Université de Toronto) · James Lucas (Université de Toronto) · Jimmy Ba (Université de Toronto / Institut Vector) · Geoffrey Hinton (Google)
Flux de normalisation des graphiques
Jenny Liu (Institut Vector, Université de Toronto) · Aviral Kumar (UC Berkeley) · Jimmy Ba (Université de Toronto / Institut Vector) · Jamie Kiros (Google Inc.) · Kevin Swersky (Google)
Équations différentielles latentes ordinaires pour les séries temporelles à échantillonnage irrégulier
Yulia Rubanova (Université de Toronto) · Tian Qi Chen (U de Toronto) · David Duvenaud (Université de Toronto)
Flux résiduels pour la modélisation générative inversible
Tian Qi Chen (U de Toronto) · Jens Behrmann (Université de Brême) · David Duvenaud (Université de Toronto) · Joern-Henrik Jacobsen (Vector Institute)
Réseaux neuronaux avec opérateurs différentiels peu coûteux
Tian Qi Chen (Université de Toronto) · David Duvenaud (Université de Toronto)
La méthode de Runge-Kutta stochastique accélère la méthode de Monte Carlo de Langevin et au-delà
Xuechen Li (Google) · Yi Wu (Université de Toronto et Vector Institute) · Lester Mackey (Microsoft Research) · Murat Erdogdu (Université de Toronto)
Fonction de valeur dans le domaine fréquentiel et itération de la valeur caractéristique
Amir-Massoud Farahmand (Institut Vector)
Apprentissage de la prédiction d'objets 3D avec un moteur de rendu différentiable basé sur l'interpolation
Wenzheng Chen (Université de Toronto) · Huan Ling (Université de Toronto, NVIDIA) · Jun Gao (Université de Toronto) · Edward Smith (Université McGill) · Jaakko Lehtinen (Recherche NVIDIA; Université Aalto) · Alec Jacobson (Université de Toronto) · Sanja Fidler (Université de Toronto)
Convergence rapide de la descente de gradient naturelle pour les réseaux neuronaux surparamétrés
Guodong Zhang (Université de Toronto) · James Martens (DeepMind) · Roger Grosse (Université de Toronto)
Quels choix algorithmiques sont importants pour quelles tailles de lots ? Perspectives tirées d’un modèle quadratique bruité
Guodong Zhang (Université de Toronto) · Lala Li (Google) · Zachary Nado (Google Inc.) · James Martens (DeepMind) · Sushant Sachdeva (Université de Toronto) · George Dahl (Google Brain) · Chris Shallue (Google Brain) · Roger Grosse (Université de Toronto)
Comprendre l'effondrement postérieur dans les auto-encodeurs variationnels
James Lucas (Université de Toronto) · George Tucker (Google Brain) · Roger Grosse (Université de Toronto) · Mohammad Norouzi (Google Brain)
Prévention de l'atténuation du gradient dans les réseaux de neurones convolutifs à contrainte lipschitzienne
Qiyang Li (Université de Toronto) · Saminul Haque (Université de Toronto) · Cem Anil (Université de Toronto; Institut Vector) · James Lucas (Université de Toronto) · Roger Grosse (Université de Toronto) · Joern-Henrik Jacobsen (Institut Vector)
MixMatch : une approche holistique de l'apprentissage semi-supervisé
David Berthelot (Google Brain) · Nicholas Carlini (Google) · Ian Goodfellow (Google Brain) · Nicolas Papernot (Université de Toronto) · Avital Oliver (Google Brain) · Colin A Raffel (Google Brain)
PAC-Bayes rapide via la complexité de Rademacher décalée
Jun Yang (Université de Toronto) · Shengyang Sun (Université de Toronto) · Daniel Roy (Université de Toronto et Vector)
Bornes de généralisation informationnelles pour SGLD via des estimations dépendantes des données
Gintare Karolina Dziugaite (Element AI) · Mahdi Haghifam (Université de Toronto) · Jeffrey Negrea (Université de Toronto) · Ashish Khisti (Université de Toronto) · Daniel Roy (Université de Toronto et Vector)
Comprendre l'attention dans les réseaux neuronaux graphiques
Boris Knyazev (Université de Guelph) · Graham W Taylor (Université de Guelph) · Mohamed R. Amer (Robust.AI)
L'ensemble de données Cells Out of Sample (COOS) et les points de référence pour mesurer la généralisation hors échantillon des classificateurs d'images
Alex Lu (Université de Toronto) · Amy Lu (Université de Toronto/Institut Vector) · Wiebke Schormann (Institut de recherche Sunnybrook) · David Andrews (Institut de recherche Sunnybrook) · Alan Moses (Université de Toronto)
Machines de récompense pour l'apprentissage par renforcement partiellement observable
Rodrigo Toro Icarte (Université de Toronto et Vector Institute) · Ethan Waldie (Université de Toronto) · Toryn Klassen (Université de Toronto) · Rick Valenzano (Element AI) · Margarita Castro (Université de Toronto) · Sheila McIlraith (Université de Toronto)
Les chercheurs de l'Institut Vector organisent quatre ateliers :
Apprentissage automatique et sciences physiques : organisé par Juan Felipe Carrasquilla (titulaire de la chaire d’IA du CIFAR Canada, Vector Institute, membre du corps professoral du Vector Institute et professeur adjoint (à titre complémentaire) au département de physique et d’astronomie de l’Université de Waterloo) et ses collaborateurs, cet atelier porte sur l’application de l’apprentissage automatique à des problèmes de physique exceptionnels.
Apprentissage automatique équitable dans le secteur de la santé : Organisé par Shalmali Joshi, chercheuse postdoctorale, et Shems Saleh du Vector Institute, et leurs collaborateurs, cet atelier a pour objectif d'étudier les questions d'équité dans les soins de santé basés sur l'apprentissage automatique.
Transformations de programmes pour l'apprentissage automatique : cet atelier, organisé par David Duvenaud (professeur adjoint à l'Université de Toronto, cofondateur d'Invenia, titulaire de la Chaire de recherche du Canada en modèles génératifs et membre du corps professoral du Vector Institute) et ses collaborateurs, vise à unifier la vision des transformations de programmes en apprentissage automatique, à les rendre plus accessibles et à en développer de nouvelles.
Apprentissage automatique avec garanties : organisé par Daniel Roy (professeur adjoint à l’Université de Toronto, membre du corps professoral du Vector Institute et titulaire de la chaire d’intelligence artificielle du CIFAR du Canada) et ses collaborateurs, cet atelier réunira des chercheurs pour discuter du problème de l’obtention de garanties de performance et des algorithmes permettant de les optimiser.
Vous trouverez ici une liste complète des publications de recherche de Vector.
