Recherche

Publications

CVPR 2019

Articles acceptés

DeepFlux pour Skeletons in the Wild
Par Yukang Wang, Yongchao Xu, Stavros Tsogkas, Xiang Bai, Sven Dickinson, Kaleem Siddiqi

 

Catégorisation des scènes à partir des contours : Mesures de la saillance basées sur l'axe médian
par Morteza Rezanejad, Gabriel Downs, John Wilder, Dirk B. Walther, Allan Jepson, Sven Dickinson, Kaleem Siddiqi.

 

ICLR 2019

Articles acceptés

Explication des classificateurs d'images par la génération de contrefactuels
Par Chun-Hao Chang, Elliot Creager, Anna Goldenberg, David Duvenaud

 

Raisonnement visuel par réseaux de modules progressifs
Par Seung Wook Kim, Makarand Tapaswi, Sanja Fidler

 

Trois mécanismes de régularisation par décroissance de poids
Par Guodong Zhang, Chaoqi Wang, Bowen Xu, Roger Grosse

 

LanczosNet : Réseaux convolutifs multi-échelles à graphes profonds
Par Renjie Liao, Zhizhen Zhao, Raquel Urtasun, Richard Zemel

 

Une invariance excessive entraîne une vulnérabilité adversariale
Par Joern-Henrik Jacobsen, Jens Behrmann, Richard Zemel, Matthias Bethge

 

Évolution des graphes neuronaux : Conception automatique de robots
Par Tingwu Wang, Yuhao Zhou, Sanja Fidler, Jimmy Ba

 

DOM-Q-NET : RL fondé sur le langage structuré
Par Sheng Jia, Jamie Ryan Kiros, Jimmy Ba

 

TimbreTron : Un WaveNet(CycleGAN(CQT(Audio))) Pipeline pour le transfert de timbres musicaux
Par Sicong Huang, Qiyang Li, Cem Anil, Xuchan Bao, Sageev Oore, Roger B. Grosse

 

Réduction de la dimensionnalité pour la représentation de la connaissance des modèles probabilistes
Par Marc T Law, Jake Snell, Amir-massoud Farahmand, Raquel Urtasun, Richard S Zemel

 

Momentum agrégé : Stabilité grâce à l'amortissement passif
Par James Lucas, Shengyang Sun, Richard Zemel, Roger Grosse

 

Self-Tuning Networks : Optimisation à deux niveaux des hyperparamètres à l'aide de fonctions de meilleure réponse structurées
Par Matthew Mackay, Paul Vicol, Jonathan Lorraine, David Duvenaud, Roger Grosse

 

Hyperréseaux graphiques pour la recherche d'architectures neuronales
Par Chris Zhang, Mengye Ren, Raquel Urtasun

 

Réseaux neuronaux bayésiens variationnels fonctionnels
Par Shenyang Sun, Guodong Zhang, Jiaxin Xi, Roger Grosse.

Accepté Oral

FFJORD : Dynamique continue à forme libre pour les modèles génératifs réversibles évolutifs
Par Will Grathwohl, Ricky T. Q. Chen, Jesse Bettencourt, Ilya Sutskever, David Duvenaud

NIPS 2018

Articles acceptés

Programmation logique par contraintes guidée par les neurones pour la synthèse de programmes
Par Lisa Zhang - Gregory Rosenblatt - Ethan Fetaya - Renjie Liao - William Byrd - Matthew Might - Raquel Urtasun - Richard Zemel

 

Apprentissage des sous-espaces latents dans le cadre de l'analyse variationnelle Autoencoders
Par Jack Klys - Jake Snell - Richard Zemel

 

Prédire de manière responsable : Améliorer l'équité et la précision par l'apprentissage du report
Par David Madras - Toni Pitassi - Richard Zemel

 

Réseaux neuronaux récurrents réversibles
Par Matthew MacKay - Paul Vicol - Jimmy Ba - Roger Grosse

 

OSur la convergence et la robustesse de l'entraînement des GANs avec un transport optimal régularisé
Par Maziar Sanjabi - Jimmy Ba - Meisam Razaviyayn - Jason Lee

 

Equations différentielles ordinaires neuronales différentielles ordinaires
Par Tian Qi Chen - Yulia Rubanova - Jesse Bettencourt - David Duvenaud

 

Isoler les sources de désenchevêtrement dans les auto-codeurs variationnels
Par Tian Qi Chen - Xuechen Li - Roger Grosse - David Duvenaud

 

Apprentissage itératif de modèles tenant compte de la valeur
Par Amir-massoud Farahmand

 

Un paradigme de composition neuronale pour le sous-titrage des images
Par Bo Dai - Sanja Fidler - Dahua Lin

 

Apprentissage en ligne de la structure pour les réseaux de type "Feed-Forward" et "Sum-Product" récurrents
Par Abdullah Rashwan - Agastya Kalra - Pascal Poupart - Prashant Doshi - Georgios Trimponias - Wei-Shou Hsu

 

Recherche arborescente de Monte-Carlo pour les POMDP sous contrainte
Par Jongmin Lee - Geon-hyeong Kim - Pascal Poupart - Kee-Eung Kim

 

Segmentation non supervisée d'objets vidéo pour l'apprentissage par renforcement profond
Par Vikash Goel - Jameson Weng - Pascal Poupart

 

Modèles de mélanges homogènes profonds : Représentation, séparation et approximation
Par Priyank Jaini - Pascal Poupart - Yaoliang Yu

 

Prières PAC-Bayes dépendantes des données via la confidentialité différentielle
Par Gintare Karolina Dziugaite - Daniel Roy

 

Limites de complexité d'échantillon presque serrées pour l'apprentissage de mélanges de gaussiens via des schémas de compression d'échantillon
Par Hassan Ashtiani, Shai Ben-David, Nick Harvey, Chris Liaw, Abbas Mehrabian et Yaniv Plan.

 

Optimisation non convexe avec des diffusions discrétisées
Par Murat A Erdogdu, Lester Mackey, Ohad Shamir

 

Évaluation de l'évolutivité des algorithmes et des architectures d'apprentissage profond à motivation biologique
Par Sergey Bartunov, Adam Santoro, Blake Richards, Luke Marris, Geoffrey E Hinton, Timothy Lillicrap.

 

Le rasoir d'Occam est insuffisant pour déduire les préférences des agents irrationnels.
Par Stuart Armstrong, Sören Mindermann

Ateliers

L'apprentissage automatique pour la santé (ML4H) : Aller au-delà de l'apprentissage supervisé dans le domaine de la santé
Andrew Beam - Tristan Naumann - Marzyeh Ghassemi - Matthew McDermott - Madalina Fiterau - Irene Y Chen - Brett Beaulieu-Jones - Michael Hughes - Farah Shamout - Corey Chivers - Jaz Kandola - Alexandre Yahi - Samuel G Finlayson - Bruno Jedynak - Peter Schulam - Natalia Antropova - Jason Fries - Adrian Dalca

ICML 2018

Communications acceptées et oraux

Inférence relationnelle neuronale pour les systèmes en interaction
Par Thomas Kipf - Ethan Fetaya - Kuan-Chieh Wang - Max Welling - Richard Zemel

 

Distiller le postérieur dans les réseaux de neurones bayésiens
Par Kuan-Chieh Wang - Paul Vicol - James Lucas - Li Gu - Roger Grosse - Richard Zemel

 

Faire revivre et améliorer la rétropropagation récurrente
Par Renjie Liao - Yuwen Xiong - Ethan Fetaya - Lisa Zhang - KiJung Yoon - Zachary S Pitkow - Raquel Urtasun - Richard Zemel

 

Apprentissage de représentations adversarialement justes et transférables
Par David Madras - Elliot Creager - Toniann Pitassi - Richard Zemel

 

Inférence Suboptimalité dans les auto-codeurs variationnels
Par Chris Cremer - Xuechen Li - David Duvenaud

 

Gradient naturel bruyant comme inférence variationnelle
Par Guodong Zhang - Shengyang Sun - David Duvenaud - Roger Grosse

 

Apprentissage par renforcement avec des espaces d'action à valeurs fonctionnelles pour le contrôle d'équations différentielles partielles
Par Yangchen Pan - Amir-massoud Farahmand - Martha White - Saleh Nabi - Piyush Grover - Daniel Nikovski

 

Apprentissage par noyau compositionnel différentiable pour les processus gaussiens
Par Shengyang Sun - Guodong Zhang - Chaoqi Wang - Wenyuan Zeng - Jiaman Li - Roger Grosse

 

Entropy-SGD optimise l'antériorité d'une limite PAC-Bayes : Propriétés de généralisation d'Entropy-SGD et prieurs dépendants des données.
Par Gintare Karolina Dziugaite - Daniel Roy

 

Apprendre à repondre les exemples pour un apprentissage profond robuste
Par Mengye Ren - Wenyuan Zeng - Bin Yang - Raquel Urtasun

 

Nature : Revue internationale des sciences

Lettre publiée

Observation de phénomènes topologiques dans un treillis programmable de 1 800 qubits

Par Andrew D. King, Juan Carrasquilla, Jack Raymond, Isil Ozfidan, Evgeny Andriyash, Andrew Berkley, Mauricio Reis, Trevor Lanting, Richard Harris, Fabio Altomare, Kelly Boothby, Paul I. Bunyk, Colin Enderud, Alexandre Fréchette, Emile Hoskinson, Nicolas Ladizinsky, Travis Oh, Gabriel Poulin-Lamarre, Christopher Rich, Yuki Sato, Anatoly Yu. Smirnov, Loren J. Swenson, Mark H. Volkmann1, Jed Whittaker1, Jason Yao1, Eric Ladizinsky, Mark W. Johnson, Jeremy Hilton et Mohammad H. Amin.

Article publié

Apprentissage automatique pour la MEG pendant les tâches de parole

Par Demetres Kostas, Elizabeth W. Pang & Frank Rudzicz

CVPR 2018

Spotlight

Now You Shake Me : vers un cinéma 4D automatique
Par Yuhao Zhou, Makarand Tapaswi et Sanja Fidler
Spotlight 3330

 

MovieGraphs : Vers la compréhension de situations centrées sur l'humain à partir de vidéos
Par Paul Vicol, Makarand Tapaswi, Lluís Castrejón et Sanja Fidler
Spotlight 3308

Posters acceptés

Annotation interactive efficace de jeux de données de segmentation avec Polygon-RNN++.
Par David Acuna, Huan Ling, Amlan Kar et Sanja Fidler
Poster 3409

 

Apprendre à agir correctement : Prédire et expliquer les affordances à partir d'images
Par Ching-Yao Chuang, Jiaman Li, Antonio Torralba et Sanja Fidler
Poster 631

 

SurfConv : rapprochement de la convolution 3D et 2D pour les images RVBD
Par Hang Chu, Wei-Chiu Ma, Kaustav Kundu, Raquel Urtasun et Sanja Fidler
Affiche 711

 

Un modèle neuronal de conversation face à face
Par Hang Chu et Sanja Fidler
Poster 710

 

Now You Shake Me : vers un cinéma 4D automatique
Par Yuhao Zhou, Makarand Tapaswi et Sanja Fidler
Affiche 3330

 

VirtualHome : simulation des activités ménagères par le biais de programmes
Par Xavier Puig, Kevin Ra, Marko Boben, Jiaman Li, Tingwu Wang, Sanja Fidler et Antonio Torralba
Poster 3399

 

MovieGraphs : Vers la compréhension de situations centrées sur l'humain à partir de vidéos
Par Paul Vicol, Makarand Tapaswi, Lluís Castrejón et Sanja Fidler
Affiche 3308

 

Nuages d'images : reconnaissance de l'activité humaine à partir de points de caractéristiques non structurés
Par Fabien Baradel, Christian Wolf, Julien Mille et Graham Taylor
Poster 182

Oral

VirtualHome : simulation des activités ménagères par le biais de programmes
Par Xavier Puig, Kevin Ra, Marko Boben, Jiaman Li, Tingwu Wang, Sanja Fidler et Antonio Torralba
Oral 3399

ICLR 2018

Articles acceptés

Approximations de la courbure à facteur de Kronecker pour les réseaux neuronaux récurrents

Par James Martens, Jimmy Ba, Matt Johnson

 

Évaluation quantitative des GAN avec des divergences proposées pour la formation

Par Daniel Jiwoong Im, Alllan He Ma, Graham W. Taylor, Kristin Branson

 

Flipout : Perturbations efficaces de poids pseudo-indépendants sur des mini-batchs

Par Yeming Wen, Paul Vicol, Jimmy Ba, Dustin Tran, Roger Grosse

 

Attaquer les réseaux neuronaux binarisés

Par Angus Galloway, Graham W. Taylor, Medhat Moussa

 

Méta-apprentissage pour la classification semi-supervisée de quelques images

Par Mengye Ren, Sachin Ravi, Eleni Triantafillou, Jake Snell, Kevin Swersky, Josh B. Tenenbaum, Hugo Larochelle, Richard S. Zemel

 

Backpropagation à travers le vide : Optimisation des variables de contrôle pour l'estimation du gradient en boîte noire

Par Will Grathwohl, Dami Choi, Yuhuai Wu, Geoff Roeder, David Duvenaud

 

Comprendre le biais de l'horizon court dans la méta-optimisation stochastique

Par Yuhuai Wu, Mengye Ren, Renjie Liao, Roger Grosse

 

NerveNet : Apprentissage de politiques structurées à l'aide de réseaux de neurones graphiques

Par Tingwu Wang, Renjie Liao, Jimmy Ba, Sanja Fidler

Documents de l'atelier

Prévoir de manière responsable : Accroître l'équité en apprenant à différer

Par David Madras, Toniann Pitassi, Richard Zemel

 

Isolation des sources de désenchevêtrement dans les auto-codeurs variationnels

Par Tian Qi Chen, Xuechen Li, Roger Grosse, David Duvenaud

 

Réseaux neuronaux à partition graphique pour la classification semi-supervisée

Par Renjie Liao, Marc Brockschmidt, Daniel Tarlow, Alexander Gaunt, Raquel Urtasun, Richard S. Zemel

 

Optimisation de l'architecture des réseaux neuronaux basée sur le gradient

Par Will Grathwohl, Elliot Creager, Seyed Ghasemipour, Richard Zemel

 

Reconstruction des trajectoires évolutives des mutations dans le cancer

Par Yulia Rubanova, Ruian Shi, Roujia Li, Jeff Wintersinger, Amit Deshwar, Nil Sahin, Quaid Morris

 

Inférence dans les modèles graphiques probabilistes par les réseaux de neurones graphiques

Par KiJung Yoon, Renjie Liao, Yuwen Xiong, Lisa Zhang, Ethan Fetaya, Raquel Urtasun, Richard Zemel, Xaq Pitkow

 

Utilisation de la programmation logique par contraintes pour la synthèse de programmes guidés par des neurones

Par Lisa Zhang, Gregory Rosenblatt, Ethan Fetaya, Renjie Liao, William Byrd, Raquel Urtasun, Richard Zemel

Entretiens

École d'été sur l'apprentissage profond et l'apprentissage par renforcement 2018

2018- Cours d'été sur l'apprentissage profond

Katherine A. Heller, Département des sciences statistiques, Université Duke
Titre : Introduction à l'apprentissage automatique
Vidéo

Hugo Larochelle, Google
Titre : Réseaux neuronaux I
Vidéo

David Duvenaud, Département d'informatique, Université de Toronto
Titre : Autodiff
Vidéo

Hugo Larochelle, Google
Titre : Réseaux neuronaux II
Vidéo

Jonathon Shlens, Google
Titre : Introduction aux réseaux neuronaux convolutifs (CNN)
Vidéo

Sanja Fidler, Département d'informatique, Université de Toronto
Titre : Vision profonde avancée
Vidéo

Balázs Kégl, Laboratoire de l Accélérateur Linéaire, Université de Paris-Sud 11
Titre : RAMP (Session pratique)
Vidéo

David Duvenaud, Département d'informatique, Université de Toronto
Titre : Modèles génératifs I
Vidéo

Been Kim, Google
Titre : Interprétabilité
Vidéo

Sanjeev Arora, Département d'informatique, Université de Princeton
Titre : Théorie
Vidéo

Jimmy Ba, Département d'informatique, Université de Toronto
Titre : Optimisation I
Vidéo

Jorge Nocedal, École Robert R. McCormick d'ingénierie et de sciences appliquées, Université Northwestern
Titre : Optimisation II
Vidéo

Yoshua Bengio, Département d'informatique et de recherche opérationnelle, Université de Montréal
Titre : Réseaux neuronaux récurrents (RNN)
Vidéo

Graham Neubig, Institut des technologies du langage, Université Carnegie Mellon
Titre : Compréhension de la langue
Vidéo

Jamie Kiros, Département d'informatique, Université de Toronto
Titre : Apprentissage multimodal
Vidéo

Blake Aaron Richards, Centre pour la neurobiologie du stress (CNS), Université de Toronto Scarborough
Titre : Neuroscience computationnelle
Vidéo

Andrew Gordon Wilson, Département d'informatique, Université Cornell
Titre : Les réseaux neuronaux bayésiens
Vidéo

Sageev Oore, Institut Vecteur
Titre : L'apprentissage profond et la musique
Vidéo

2018- Cours d'été sur l'apprentissage par renforcement

Richard S. Sutton, Département d'informatique, Université de l'Alberta
Titre : Introduction à RL et TD
Vidéo

Sergey Levine, Département de génie électrique et des sciences informatiques, UC Berkeley
Titre : Recherche de politiques
Vidéo

Amir-massoud Farahmand, Institut Vecteur
Titre : Batch RL et ADP
Vidéo

Martha White, Département des sciences informatiques, Université de l'Alberta
Titre : Apprentissage hors politique
Vidéo

Tor Lattimore, DeepMind Technologies Limited
Titre : Bandits et exploration/exploitation dans RL
Vidéo

Doina Precup, École d'informatique, Université McGill
Titre : Abstraction temporelle
Vidéo

Emma Brunskill, Département des sciences informatiques, Université Carnegie Mellon
Titre : Multi-tâche et transfert en RL
Vidéo

Marc G. Bellemare, Google
Titre : Deep RL
Vidéo

Hal Daumé III, Département d'informatique, Université du Maryland
Titre : L'apprentissage par imitation
Vidéo

Mohammad Ghavamzadeh, INRIA Lille - Nord Europe
Titre : La sécurité dans RL
Vidéo

Michael Bowling, Département d'informatique, Université de l'Alberta
Titre : RL multi-agents
Vidéo

SÉMINAIRE SUR LES AVANCÉES ET LES APPLICATIONS DE L'APPRENTISSAGE MACHINE DE L'INSTITUT VECTORIEL

Présenté à l'Institut Fields

Logo vectoriel

2017-18

Présenté à l'Institut Fields

Barak Pearlmutter, Institut Hamilton, Maynooth
Proximité de la criticité et pathologie dans le système nerveux central
Résumé

Suchi Saria, Université Johns Hopkins
Individualiser les soins de santé grâce à l'apprentissage automatique (vidéo)
Résumé

Peter Grünwald, Université de Leiden
Apprendre le taux d'apprentissage : comment réparer Bayes quand le modèle est faux (Vidéo)
Résumé

Emma Brunskill, Université de Stanford
Apprentissage par renforcement lorsque l'expérience est coûteuse (vidéo)
Résumé

Josh Tenenbaum, Institut de technologie du Massachusetts
Construire des machines qui apprennent et pensent comme des humains (Vidéo)
Résumé

Chris Maddison, Université d'Oxford
Estimateurs de gradient relaxés (Vidéo)
Résumé

Yair Weiss, Université hébraïque
Apprendre les statistiques des images complètes (vidéo)
Résumé

Christopher Manning, Université de Stanford
Vers un meilleur modèle pour le raisonnement par réseau neuronal (Vidéo)
Résumé

Vlad Mnih, DeepMind
Apprentissage par renforcement profond multi-tâches efficace (vidéo)
Résumé

Stephen Friend, Sage Bionetworks
Explorer les inconnues fondamentales qui nous empêchent d'utiliser nos appareils pour naviguer entre la maladie et la santé (Vidéo)
Résumé

Ilya Sutskever, OpenAI
Meta Learning et Self Play (Vidéo)
Résumé

Yee Whye Teh, Université d'Oxford
DisTraL : Distillation et transfert pour l'apprentissage profond par renforcement multitâche (vidéo)
Résumé

Guang Wei Yu (Layer 6), Mohammad Islam (Wattpad), Putra anggala (Shopify), et Javier Moreno (Rubikloud)
Systèmes de recommandation (Vidéo)
Résumé

Jennifer Listgarten, Microsoft Research
De la génétique à l'édition de gènes CRISPR avec l'apprentissage automatique (vidéo)
Résumé

Chris Williams, Université d'Édimbourg
L'intelligence artificielle pour l'analyse des données (vidéo)
Résumé

Jon Shlens, Google Brain
Apprendre les représentations du monde visuel
Résumé

Geoffrey Hinton, Université de Toronto
Qu'est-ce qui ne va pas avec les réseaux de neurones convolutifs (vidéo) ?
Résumé

2016-2017

Présenté à l'Institut Fields

David Sontag, Institut de technologie du Massachusetts
Comment l'apprentissage automatique va-t-il changer les soins de santé ? (Vidéo)
Résumé

Alex Graves, DeepMind
Frontières de la recherche sur les réseaux neuronaux récurrents
Résumé

Max Welling, Université d'Amsterdam
Généralisation des convolutions pour l'apprentissage profond (vidéo)
Résumé

Ernest Earon, Precision Hawk
Intelligence aérienne : Pourquoi les oiseaux sont si bons dans ce qu'ils font (Vidéo)
Résumé

James Bergstra, Kindred
De la téléopération à l'AGI (Vidéo)
Résumé

Ryan Geriepy, ClearPath Robotics
3 étapes pour appliquer l'apprentissage automatique aux flottes de véhicules à conduite autonome (vidéo)
Résumé

Shane Gu, Université de Cambridge
Apprentissage par renforcement profond efficace en fonction de l'échantillon pour la robotique (vidéo)
Résumé

David Blei, Université de Columbia
Modèles thématiques probabilistes et comportement des utilisateurs (vidéo)
Résumé

Fernanda Viegas, Martin Wattenberg et Daniel Smilkov, Google
La visualisation pour l'apprentissage automatique - et l'apprentissage humain, aussi (vidéo)
Résumé

Roger Melko, Université de Waterloo
Apprentissage machine de la physique quantique (vidéo)
Résumé

Pieter Abbeel, Université de Californie, Berkeley
Apprentissage par renforcement profond pour la robotique (vidéo)
Résumé

Roger Grosse, Université de Toronto
Optimisation des réseaux neuronaux à l'aide de modèles probabilistes structurés (vidéo)
Résumé

Graham Taylor, Université de Guelph
Augmentation des ensembles de données dans l'espace des caractéristiques (vidéo)
Résumé

Rob Fergus, Université de New York / Facebook
Mémoire et communication dans les réseaux neuronaux (vidéo)
Résumé

Hugo Larochelle, Google Brain

Modèles génératifs autorégressifs avec Deep Learning (vidéo)

Résumé

Michael Schull, Institut de recherche en services de santé (ICES)
ICES : Lier les données et la découverte, et établir un programme de science des données sur la santé (vidéo)
Résumé

Alexandre Le Bouthillier, Imagia
Imagia : Intelligence artificielle pour l'analyse d'images médicales (Vidéo)
Résumé

Brendan Frey, Deep Genomics
Deep Genomics : Changer le cours de la médecine génomique (Vidéo)
Résumé

Joshua Landy, Figure 1
Figure 1 : L'ordinateur va vous voir maintenant (Vidéo)
Résumé

Ofer Shai, Meta Inc.
Meta : Débloquer les connaissances scientifiques et techniques du monde (Vidéo)
Résumé

Roger Grosse, David Duvenaud et Sanja Fidler,, Université de Toronto
Rencontrez les nouveaux professeurs : Roger Grosse, David Duvenaud et Sanja Fidler (Vidéo)
Résumé

Andrew McCallum, Université du Massachusetts
Schéma universel pour la représentation et le raisonnement à partir du langage naturel (vidéo)
Résumé

Richard Sutton, Université de l'Alberta
L'avenir de l'intelligence artificielle appartient à la recherche et à l'apprentissage (vidéo)
Résumé

Geoffrey Hinton, Université de Toronto
Utilisation de poids rapides pour stocker des mémoires temporaires (vidéo)
Résumé

Amir Ban, Université de Tel-Aviv
Quand un expert doit-il faire une prédiction ? (Vidéo)
Résumé

SÉMINAIRE VECTORIEL DU VENDREDI ML

2019

Yaoliang Yu, Université de Toronto
Modèles de mélange homogène profond : Représentation, séparation et approximation (vidéo)
Introduction
Institut du vecteur

Sheila McIlraith, Université de Toronto
Spécification de haut niveau de la fonction de récompense dans l'apprentissage par renforcement (vidéo)
Introduction
Institut Vecteur

Babak Taati, Université de Toronto
Introduction
Institut du vecteur

Yuri Boykov, Université de Toronto
Segmentation d'images sans supervision complète (vidéo)
Institut Vecteur

2018

Gillian Hadfield, Université de Toronto
Alignement de l'IA et normativité humaine (vidéo)
Introduction
Institut Vecteur

Scott Sanner, Université de Toronto
Autoencodeurs pour le filtrage collaboratif (vidéo)
Introduction
Institut du vecteur

Peter Wittek, Université de Toronto
L'apprentissage automatique sur les ordinateurs quantiques de l'avenir proche (vidéo)
Introduction
Institut Vecteur

Jesse Hoey, Université de Waterloo
Dynamique affective et contrôle dans les processus de groupe (vidéo)
Introduction
Institut Vecteur

Andreas Moshovos, Université de Toronto
Accélération matérielle du Deep Learning basée sur la valeur (vidéo)
Introduction
Institut Vecteur

Micheal Brudno, Université de Toronto
Amélioration de l'interaction médecin-patient grâce à la prise de notes médicales assistée par l'IA (vidéo)
Introduction
Institut Vector

RONDES DE L'AI DE LA SANTÉ

2019

Samantha Kleinberg, Institut de technologie de Stevens
Inférence causale à grande échelle en bio-médecine (Vidéo)
Introduction
Institut Vecteur

Une IA responsable

2018

Présenté au Centre d'éthique, Université de Toronto

Richard Zemel, Université de Toronto
Assurer des décisions automatisées équitables et responsables (Vidéo)
Centre d'éthique, Université de Toronto

Frank Rudzicz, Université de Toronto, University Health Network, Winterlight Labs
L'avenir des soins de santé automatisés (vidéo)
Centre d'éthique, Université de Toronto

2019

Assumer la responsabilité d'une IA responsable

Le 26 août, l'Institut Vector et l'Institut Schwartz Reisman pour la technologie et la société ont accueilli Chris Meserole de la Brookings Institution afin d'explorer les possibilités de collaboration pour faire avancer la vision de l'Institut Vector qui consiste à utiliser l'IA pour favoriser la croissance économique et améliorer la vie des Canadiens.

Le Canada a été le premier pays à annoncer une stratégie nationale en matière d'IA en 2017. Le monde lui a rapidement emboîté le pas. La même année, la Chine a annoncé son intention de devenir le leader mondial de l'IA d'ici à 2030 et, peu après, les États-Unis ont lancé l'initiative américaine sur l'IA.

Conscientes du potentiel transformateur de l'IA, les organisations évoluent pour traiter des questions interdisciplinaires complexes. Le MIT a lancé le Schwarzman College et Stanford a créé l'Institute for Human-Centered Artificial Intelligence (HAI). Les entreprises recrutent des éthiciens, élaborent des principes éthiques pour l'IA et investissent dans des initiatives connexes.

Ici même, à Toronto, le don le plus important jamais versé à l'université de Toronto permettra de créer le Schwartz Reisman Institute for Technology and Society, qui exploitera les forces de toutes les disciplines. Et les gouvernements explorent les principes de la gouvernance numérique.

La concentration au Canada de scientifiques de classe mondiale spécialisés dans l'apprentissage automatique offre une occasion majeure de transformer le savoir en compétitivité économique. Quels seront les rôles des gouvernements et des entreprises pour maximiser les possibilités économiques du Canada tout en protégeant les droits et les valeurs des Canadiens ? Serons-nous des leaders ou des retardataires ?

Les orateurs :

Assumer la responsabilité d'une IA responsable

Gillian Hadfield : Membre du corps professoral de l'Institut Vector ; directrice inaugurale de l'Institut Schwartz Reisman pour la technologie et la société et de la Chaire Schwartz Reisman en technologie et société ; professeur de droit et de gestion stratégique à l'École de gestion Rotman de l'Université de Toronto.

Sujet : Vue d'ensemble : Institut Schwartz-Reisman pour la technologie et la société

08:02

Graham Taylor : Titulaire de la chaire d'IA de l'ICRA Canada et membre du corps professoral de l'Institut Vector ; directeur académique du Centre pour l'avancement de l'intelligence artificielle responsable et éthique (CARE-AI) de l'Université de Guelph ; professeur agrégé et titulaire de la chaire de recherche du Canada en apprentissage machine, École d'ingénierie, Université de Guelph ; professeur invité, Google Brain Montréal (jusqu'en 2019-05) ; directeur académique de NextAI.

Sujet : Vue d'ensemble : Centre pour l'avancement de l'intelligence artificielle responsable et éthique de l'Université de Guelph (CARE-AI)

29:09

David Madras : Doctorant dans le groupe d'apprentissage automatique de l'Université de Toronto et de l'Institut Vecteur.

Sujet : L'apprentissage automatique dans les systèmes de prise de décision

46:44

Aleksandar Nikolov : Professeur, Département d'informatique, Université de Toronto ; Chaire de recherche du Canada en algorithmes et analyse des données privées

Sujet : La confidentialité différentielle : Analyse de données rigoureusement privée

1:00:27

Sheila McIlraith : Membre du corps professoral de l'Institut Vector ; professeur au département d'informatique de l'Université de Toronto.

Sujet : Sécurité de l'IA

1:21:24

Melissa McCradden : Boursière postdoctorale en éthique de l'IA dans les soins de santé, Département de bioéthique et de génétique et biologie du génome à l'Hôpital pour enfants et à l'Institut Vecteur.

Intérêts de recherche : Traduction des outils d'IA en soins cliniques, neuroéthique, bioéthique pédiatrique et éthique du sport.

1:43:55

Shalmali Joshi : boursière postdoctorale, Institut Vecteur

Sujet : Vers un déploiement sûr des modèles d'apprentissage automatique (clinique)

1:58:09

Frank Rudzicz : Titulaire de la chaire d'IA de l'ICAR Canada et membre du corps professoral de l'Institut Vector ; directeur de l'IA, Surgical Safety Technologies Incorporated ; scientifique, Centre international pour la sécurité chirurgicale, Li Ka Shing Knowledge Institute, St Michael's Hospital ; professeur associé, département d'informatique, Université de Toronto.

Sujet : Sécurité de l'IA, IA explicable en salle d'opération, normes d'évaluation des modèles ML

2:11:18

Charles Morgan : Président, Association internationale du droit des technologies (ITechLaw) ; associé, McCarthy Tétrault

Sujet : La publication récente de l'ITech Law intitulée "Responsible AI : A Global Policy Framework".

2:25:39

Chris Meserole : Fellow en politique étrangère à la Brookings Institution et directeur adjoint de la Brookings Artificial Intelligence and Emerging Technology Initiative.

Faire progresser l'IA : un cadre et un agenda pour la recherche interdisciplinaire

Résumé : Les percées techniques dans les architectures d'apprentissage profond, telles que les réseaux de capsules et les transformateurs, continuent de faire progresser l'état de l'art en matière de performance de l'IA. De même, la recherche sur les implications éthiques, juridiques et sociales (ELSI) de l'IA a également progressé rapidement ces dernières années, notamment les travaux sur les principes éthiques. Pourtant, la plupart des études sur l'IA restent relativement cloisonnées, malgré le besoin urgent d'un travail informé par des domaines à la fois techniques et non techniques. Cet exposé vise à esquisser un bref cadre et un agenda pour la recherche interdisciplinaire sur l'IA.

2:45:10

Défilement vers le haut