L'Institut Vecteur élargit son corps professoral à travers le Canada

30 novembre 2018

L'Institut Vecteur a le plaisir d'annoncer l'arrivée de cinq nouveaux membres au sein de son corps professoral, ce qui permet d'accroître le nombre de chercheurs nommés dans des universités et institutions canadiennes, de UBC à l'ouest à Dalhousie à l'est, en passant par plusieurs autres entre les deux. Les nouveaux membres du corps professoral apportent à Vector leur expertise dans les domaines de l'apprentissage automatique, de la biologie computationnelle, de la vision par ordinateur, de l'infographie, des réseaux neuronaux, du regroupement, de la sécurité informatique, de la protection de la vie privée et de l'apprentissage automatique statistique et computationnel. Avec ces nouveaux ajouts, l'Institut Vecteur a maintenant triplé la taille de sa faculté fondatrice depuis mars 2017.

Les nouveaux membres du corps enseignant de l'Institut Vecteur sont les suivants :

    • 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 la David R. Cheriton School of Computer Science de l'université de Waterloo depuis 2004. Ses recherches portent sur un large éventail de sujets liés aux statistiques informatiques, à la théorie de l'apprentissage automatique, à l'apprentissage non supervisé et au regroupement.
    • Sara Mostafavi, Université de la Colombie-Britannique
      Sara Mostafavi est professeur adjoint au département des statistiques et au département de génétique médicale, et membre affilié 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, en travaillant avec Quaid Morris, membre de la faculté Vector, et a effectué son stage postdoctoral à l'Université de Stanford. Les recherches de Sara portent sur le développement et l'application de l'apprentissage automatique et des méthodes statistiques pour étudier la génomique des maladies complexes, en particulier les troubles psychiatriques.
    • Nicolas Papernot, Université de Toronto
      Nicolas rejoindra le département de génie électrique et informatique (ECE) de l'Université de Toronto en tant que professeur adjoint à l'automne 2019. Il est actuellement chercheur chez Google Brain et travaille sur la sécurité et la confidentialité de l'apprentissage automatique dans le groupe d'Úlfar Erlingsson. Les intérêts de recherche de Nicolas couvrent les domaines de la sécurité informatique, de la confidentialité et de l'apprentissage automatique.
    • Leonid Sigal, Université de la Colombie-Britannique, et Borealis AI
      Leonid a quitté l'Université Carnegie Mellon et Disney Research à Pittsburgh pour s'installer à Vancouver en 2017 et rejoindre l'UBC en tant que professeur associé au département d'informatique. Ses recherches portent sur l'apprentissage automatique et la vision par ordinateur, avec un accent sur la reconnaissance d'objets, la compréhension de scènes, la reconnaissance d'actions, l'apprentissage multimodal et les réseaux neuronaux.
    • Bo Wang, du Peter Munk Cardiac Centre (PMCC) et du Techna Institute du University Health Network (UHN), et de la faculté de médecine de l'Université de Toronto.
      Ayant récemment obtenu son doctorat à Stanford, Bo sera le principal scientifique en intelligence artificielle recruté par le PMCC et l'Institut Vecteur. Bo dirigera le développement et l'intégration de nouvelles approches d'apprentissage automatique dans les soins aux patients souffrant de maladies cardiaques et vasculaires.

Avec des expériences et des forces de recherche très diverses provenant d'institutions et de laboratoires canadiens et internationaux, les nouveaux professeurs de Vector rejoindront une communauté dynamique de résolveurs de problèmes innovants, travaillant dans plusieurs disciplines sur la recherche pure et appliquée.

Depuis son lancement en 2017, l'Institut Vecteur est devenu une communauté de plus de 240 chercheurs, y compris des professeurs, des postdocs, des étudiants et des affiliés. Au cours de l'année écoulée, ils ont publié plus de 100 articles, dont beaucoup ont été présentés dans les meilleures conférences et revues d'apprentissage automatique. Les chercheurs de Vector reçoivent souvent des prix prestigieux pour leurs contributions scientifiques et ont été désignés comme des innovateurs de premier plan dans la liste des 40 Canadiens les plus performants de moins de 40 ans et par la MIT Technology Review. Ensemble, ils travaillent à la réalisation de la vision de Vector, qui est de favoriser l'excellence et le leadership dans la connaissance, la création et l'utilisation de l'IA au Canada, afin de stimuler la croissance économique et d'améliorer la vie des Canadiens.

En savoir plus :

 

CITATIONS :

Richard Zemel, directeur de la recherche

Depuis un an et demi, d'éminents scientifiques du Canada et du monde entier ont choisi Vector comme destination pour effectuer des recherches de pointe sur l'apprentissage automatique, former la prochaine génération de talents et donner à nos partenaires des secteurs de l'industrie et de la santé les moyens de devenir des chefs de file dans l'adoption de l'IA.

En tant que directeur de la recherche, je suis fier de ce que nous avons accompli. Ma priorité est de continuer à constituer une équipe talentueuse et coopérative. Nous avons beaucoup de travail devant nous. Avec une demande croissante et des entreprises internationales qui menacent de drainer nos talents, il est essentiel de maintenir une réserve de talents pour continuer à renforcer la recherche sur l'apprentissage automatique et à contribuer à l'économie de la connaissance au Canada.

 

Garth Gibson, président et directeur général

Vector est devenu un point de repère pour les meilleurs talents de l'IA à la recherche d'opportunités de collaboration avec leurs pairs, de flexibilité pour mener des recherches pures ou appliquées, enseigner à des étudiants ou travailler avec l'industrie, ainsi que pour lancer une nouvelle start-up. Vector offre une structure unique qui fait le lien entre le monde universitaire, l'industrie et les institutions, et offre aux chercheurs la possibilité de travailler avec des ensembles de données existants pour résoudre des problèmes concrets. Les nouveaux membres du corps professoral de Vector annoncés aujourd'hui rejoindront une équipe hautement qualifiée de chercheurs de classe mondiale actuellement à l'Institut Vector, et nous sommes impatients de voir ce qu'ils accompliront ensemble.

 

Rencontrez 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 israélien de technologie). Au fil des ans, il a occupé des postes de professeur invité à l'université nationale australienne, à l'université Cornell, à l'ETH de Zurich, au TTI de Chicago et à l'institut Simons de Berkeley. Depuis 2004, Shai est professeur à la David R. Cheriton School of Computer Science de l'université de Waterloo. Il a également été président de domaine et membre du comité de programme principal pour la Conférence internationale sur l'apprentissage automatique (ICML) et la Conférence sur les systèmes de traitement de l'information neuronale (NeurIPS).

Les intérêts de Shai en matière de recherche couvrent un large éventail de sujets dans la théorie de l'informatique, y compris la logique, la théorie de l'informatique distribuée et la théorie de la complexité. Ces dernières années, il s'est concentré sur la théorie de l'apprentissage automatique. Parmi ses contributions notables dans ce domaine, on peut citer des étapes pionnières dans l'analyse de l'adaptation au domaine, l'apprenabilité des fonctions à valeur réelle et la détection des changements dans les données en continu.

Shai a apporté des contributions fondamentales dans le domaine de l'apprentissage non supervisé à la théorie du regroupement et au développement d'outils permettant de guider les utilisateurs dans le choix d'algorithmes adaptés à leurs besoins. Il a également publié des travaux fondamentaux sur la complexité du cas moyen, l'analyse compétitive et les alternatives à la complexité du cas le plus défavorable.

Faits marquants :

  • Président de l'Association for Computational Learning Theory (2009-2012).
  • Président du programme des principales conférences sur la théorie de l'apprentissage automatique (COLT et ALT, et président de domaine pour ICML, NeurIPS et AISTATS).
  • Co-auteur du manuel "Understanding Machine Learning : from Theory to Algorithms".

 

Sara Mostafavi

Sara Mostafavi est professeur adjoint au département des statistiques et au département de génétique médicale, et membre affilié 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, en travaillant avec Quaid Morris, membre de la faculté Vector, et a effectué son stage postdoctoral à l'Université de Stanford.

Les recherches de Sara portent sur le développement et l'application de l'apprentissage automatique et des méthodes statistiques pour étudier la génomique des maladies complexes, en particulier les troubles psychiatriques. Son groupe de recherche s'intéresse plus particulièrement au développement de modèles permettant de combiner les preuves d'association entre plusieurs types de données génomiques, telles que les données d'expression génique et de génotype, et à la modélisation des voies et réseaux biologiques antérieurs afin de distinguer les corrélations fallacieuses des corrélations significatives.

Faits marquants :

  • Chaire de recherche du Canada (niveau II) en biologie informatique
  • Bourse CIFAR pour le programme de développement de l'enfant et du cerveau

 

Nicolas Papernot

Nicolas Papernot rejoindra le département de génie électrique et informatique (ECE) de l'Université de Toronto en tant que professeur adjoint à l'automne 2019. Il est actuellement chercheur chez Google Brain et travaille sur la sécurité et la confidentialité de l'apprentissage automatique dans le groupe d'Úlfar Erlingsson. Nicolas a obtenu son doctorat en informatique et ingénierie à l'Université d'État de Pennsylvanie, travaillant avec le professeur Patrick McDaniel et soutenu par une bourse de doctorat Google en sécurité. Avant cela, il a obtenu un M.S. et un B.S. en sciences de l'ingénieur à l'École centrale de Lyon. Il fait partie des comités de programme de plusieurs conférences, notamment CCS, PETS et USENIX Security. Il est également président de l'atelier NeurIPS 2018 sur la sécurité dans l'apprentissage automatique.

Les intérêts de recherche de Nicolas couvrent les domaines de la sécurité informatique, de la protection de la vie privée et de l'apprentissage automatique. Avec ses collaborateurs, il a démontré les premières attaques pratiques de boîte noire contre les réseaux neuronaux profonds. Son travail sur la confidentialité différentielle pour l'apprentissage automatique, impliquant le développement d'une famille d'algorithmes appelée Private Aggregation of Teacher Ensembles (PATE), a permis aux chercheurs en apprentissage automatique de contribuer facilement à la recherche sur la confidentialité différentielle. Il a également co-écrit avec Ian Goodfellow une bibliothèque open-source appelée CleverHans, aujourd'hui largement adoptée par la communauté technique pour évaluer l'apprentissage automatique dans des contextes antagonistes.

Points forts

  • Bourse Google pour un doctorat en sécurité
  • Prix du meilleur article (5e conférence internationale sur les représentations d'apprentissage)

 

Leonid Sigal

Leonid Sigal est professeur associé au département d'informatique de l'Université de Colombie-Britannique depuis 2017. Auparavant, il était chercheur principal à Disney Research Pittsburgh et membre auxiliaire du corps enseignant à l'Université Carnegie Mellon. Il a obtenu son doctorat en informatique à l'université Brown et a effectué un stage postdoctoral à l'université de Toronto. Leonid est également conseiller scientifique pour Borealis AI.

Les recherches de Leonid portent principalement sur la vision artificielle, l'apprentissage automatique et l'infographie. Ses recherches se concentrent sur les problèmes de compréhension et de raisonnement visuels et multimodaux (visuels, texturaux, auditifs), y compris la reconnaissance d'objets, la compréhension de scènes, la capture de mouvements articulés, la reconnaissance d'actions, l'apprentissage de représentations, l'apprentissage multiple, l'apprentissage par transfert, l'animation de personnages et de tissus.

Points forts

  • Chaire de recherche du Canada du CRSNG (niveau 2) en vision artificielle et apprentissage automatique (2018-2023)
  • Bénéficiaire du supplément d'accélération à la découverte du CRSNG (2018-2021)
  • Rédacteur en chef adjoint des IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI) et Computer Vision and Image Understanding (CVIU).
  • Président de domaine 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 de Stanford en 2017. Ses travaux de doctorat portent sur les méthodes statistiques pour résoudre les problèmes en biologie computationnelle, en mettant l'accent sur l'analyse intégrative du cancer et l'analyse des cellules uniques.

Bo possède une vaste expérience de la recherche dans de nombreuses organisations de premier plan telles que Sick Kids, Illumina et Genentech. Il publie régulièrement dans les principales conférences sur l'apprentissage automatique, telles que la conférence sur la vision informatique et la reconnaissance des formes (CVPR) et la conférence sur les systèmes de traitement de l'information neuronale (NeurIPS), et a publié 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 automatique, 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 intégratifs et interprétables qui peuvent aider les cliniciens avec des modèles prédictifs et une aide à la décision pour adapter les soins aux patients en fonction de leurs caractéristiques cliniques et génomiques uniques.

En plus d'être nommé membre de la faculté Vecteur, Bo occupera le poste de scientifique principal en intelligence artificielle au Peter Munk Cardiac Centre du University Health Network (UHN) et à l'Institut Techna. L'objectif principal de Bo dans ce rôle sera de construire et de diriger l'équipe d'intelligence artificielle en développant de nouvelles approches d'apprentissage automatique et en les intégrant dans les soins des patients souffrant de maladies cardiaques et vasculaires. Bo est également membre de la faculté de médecine de l'Université de Toronto.

En rapport :

Perspectives

12 tendances de l'IA à surveiller en 2024

Nouvelles
Une IA digne de confiance

Principaux enseignements de la conférence All In 2023

Le voyage en Corée du Sud réaffirme le leadership mondial du Canada en matière d'IA responsable