L’édition 2020 de la Conférence sur l’incertitude en IA (UAI) s’est tenue la semaine dernière, réunissant des chercheurs et des étudiants académiques et industriels issus de divers domaines, dont les statistiques, la science des données, l’IA, le raisonnement probabiliste et la prise de décision.

L’une des « cinq grandes » conférences sur l’apprentissage automatique, l’UAI met l’accent sur la représentation des connaissances, l’apprentissage et le raisonnement en présence d’incertitude. Concept inhérent à l’apprentissage automatique, l’incertitude fait référence à l’information imparfaite ou incomplète avec laquelle les chercheurs en apprentissage automatique doivent travailler.

Initialement prévue à Toronto, la conférence de cette année s’est tenue virtuellement, avec plusieurs membres du corps professoral de Vector occupant des postes clés de leadership. Roger Grosse était président des arrangements locaux, Pascal Poupart siégeait au comité des programmes seniors, et le professeur David Duvenaud a été président du parrainage avec l’aide de Mona Davies et d’autres membres du personnel professionnel de Vector.

« Chaque année, l’UAI attire certains des chercheurs les plus prestigieux du domaine », dit Duvenaud, notant qu’il y a eu plus de 400 articles soumis. « J’ai moi-même publié certains de mes articles préférés à cette conférence. »

Plusieurs conférences de cette année comprenaient également des membres du corps professoral de Vector :

• Jimmy Ba – « Apprendre les récompenses intrinsèques comme problème d’optimisation à deux niveaux »
• Animesh Garg – « OCEAN : Inférence de tâches en ligne pour les tâches compositionnelles et adaptation du contexte »
• Pascal Poupart – « Norme batch avec régularisation entropique transforme des autoencodeurs déterministes en modèles génératifs »

L’édition de l’an prochain est actuellement prévue à Toronto.