Les chercheurs de Vector jouent un rôle de premier plan lors de la conférence sur l'incertitude dans l'IA

11 août 2020

L'édition 2020 de la Conférence sur l'incertitude dans l'IA (UAI) s'est tenue la semaine dernière, réunissant des chercheurs et des étudiants universitaires et industriels issus d'un grand nombre de domaines, notamment 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'AUI se concentre sur la représentation des connaissances, l'apprentissage et le raisonnement en présence d'incertitude. Concept inhérent à l'apprentissage automatique, l'incertitude fait référence aux informations imparfaites ou incomplètes avec lesquelles les chercheurs en apprentissage automatique doivent travailler.

Initialement prévue à Toronto, la conférence de cette année s'est déroulée virtuellement, et un certain nombre de membres de la faculté Vector ont occupé des postes de direction clés. Roger Grosse a présidé à l'organisation locale, Pascal Poupart a siégé au comité principal du programme et David Duvenaud, membre de la faculté, a présidé au parrainage avec l'aide de Mona Davies et d'autres membres de l'équipe professionnelle de Vector.

"Chaque année, l'AUI attire certains des chercheurs les plus prestigieux dans ce domaine", déclare M. Duvenaud, qui note que plus de 400 articles ont été soumis. "J'ai moi-même publié certains de mes articles préférés lors de cette conférence.

Plusieurs des conférences de cette année ont également été données par des membres de la faculté Vecteur :

L'édition de l'année prochaine est actuellement prévue à Toronto.

En rapport :

Recherche
Une IA digne de confiance

Des experts de renommée mondiale en matière de confiance et de sécurité de l'IA publient un article majeur sur la gestion des risques liés à l'IA dans la revue Science

Des protocoles normalisés sont essentiels pour un déploiement responsable des modèles linguistiques

Les inconnues connues : Geoff Pleiss, chercheur chez Vector, se penche sur l'incertitude pour rendre les modèles de ML plus précis.