L'édition 2020 de la Conférence sur l'incertitude dans l'IA (UAI) a eu lieu la semaine dernière, réunissant des chercheurs et des étudiants universitaires et industriels de nombreux domaines, notamment les statistiques, la science des données, l'IA, le raisonnement probabiliste et la prise de décision.
L'une des cinq conférences les plus importantes sur l'apprentissage machine, UAI se concentre sur la représentation des connaissances, l'apprentissage et le raisonnement en présence d'incertitude. Concept inhérent à l'apprentissage machine, l'incertitude désigne l'information imparfaite ou incomplète avec laquelle les chercheurs doivent travailler.
Initialement prévue à Toronto, la conférence de cette année s'est tenue en ligne, avec la participation de plusieurs membres du corps professoral de Vector à des postes clés. Roger Grosse a présidé le comité d'organisation local, Pascal Poupart a siégé au comité de programme principal et David Duvenaud , également membre du corps professoral, a géré le parrainage avec l'aide de Mona Davies et d'autres membres de l'équipe de Vector.
« Chaque année, l’UAI attire certains des chercheurs les plus prestigieux du domaine », déclare Duvenaud, précisant que plus de 400 articles ont été soumis. « J’y ai moi-même publié quelques-uns de mes articles préférés. »
Plusieurs conférences de cette année ont également accueilli des membres du corps professoral de Vector :
- Jimmy Ba – « L'apprentissage des récompenses intrinsèques comme problème d'optimisation à deux niveaux »
- Animesh Garg – « OCEAN : Inférence de tâches en ligne pour les tâches compositionnelles et l'adaptation au contexte »
- Pascal Poupart – « La norme par lots avec régularisation entropique transforme les auto-encodeurs déterministes en modèles génératifs »
L'édition de l'an prochain devrait avoir lieu à Toronto.
