Tirer parti de la science des données pour apprendre directement des modèles traitables pour l'inférence probabiliste et la prise de décision

Séminaire
  • Quand ? 22/09/2016 à partir de 10:30 (America/Montreal / UTC-400)
  • Où ? Au local D4-2011 de la Faculté des sciences
  • Nom du contact
  • Participants CONFÉRENCIER : Pascal Poupart
  • Ajouter l'événement au calendrier iCal

RÉSUMÉ :

La plupart des problèmes en intelligence artificielle sont NP-difficiles et donc de nombreux travaux ont été consacrés à l'exploitation de structures spécifiques à certains problèmes et à la conception d'approximations pour la mise à l'échelle des algorithmes. Avec la montée de la science des données, un changement de paradigme est en cours. Au lieu de demander à un expert du domaine de spécifier un modèle pour lequel le raisonnement peut être intraitable, l'apprentissage machine nous permet d'apprendre des modèles traitables directement à partir des données. La réalité est que la plupart des modèles spécifiés par les experts du domaine sont approximatifs tandis que les modèles obtenus à partir de données peuvent être plus précis. En outre, en utilisant une hiérarchie de modèles pour lesquels la complexité de représentation est la même que la complexité du raisonnement, il est possible d'apprendre des modèles dont la complexité augmente avec la quantité de données et qui demeurent traitables. Par exemple, l'inférence dans les modèles graphiques probabilistes tels que les réseaux bayésiens et les réseaux markoviens sont #P-complet. Cependant, si nous estimons des réseaux somme-produit (type spécial de réseaux neuronaux profonds qui sont équivalents aux réseaux bayésiens et markoviens) directement à partir des données, l'inférence probabiliste exacte peut être faite en temps linéaire par rapport à la taille du réseau. Dans cet exposé, je vais expliquer comment apprendre les réseaux somme-produit à partir d'ensembles de données en transmission continue dans un mode en ligne et distribué pour une large gamme d'applications, y compris la modélisation du langage, la reconnaissance de l'écriture manuscrite, les systèmes de recommandation, les réseaux de communication, la classification et la prédiction de séries temporelles. Je vais aussi expliquer comment modéliser et estimer des extensions aux réseaux somme-produit pour la prise de décision dans diverses tâches de diagnostic.

Toute les personnes intéressées sont cordialement invitées.

 

CONFÉRENCIER : Pascal Poupart

Biographie : Pascal Poupart est un professeur agrégé à l'école David R. Cheriton d'informatique de l'université de Waterloo. Il a reçu un baccalauréat en mathématique et en informatique à l'université McGill en 1998, une maîtrise en sciences informatiques à l'université de la Colombie-Britannique, en 2000 et un Ph.D. en sciences informatiques à l'université de Toronto en 2005. Ses recherches portent sur le développement d'algorithmes pour le raisonnement dans des conditions d'incertitude et l'apprentissage machine avec application en l'informatique de la santé et en traitement du langage naturel. Il est surtout connu pour ses contributions au développement d'algorithmes approximatifs pour la mise à l'échelle des processus de décision markoviens partiellement observables et leurs applications dans les technologies d'assistance, y compris l'automatisation de conseils pour aider les personnes atteintes de démence à se laver les mains. D'autres projets notables sur lesquels son équipe de recherche travaille comprennent les chatbots pour des conversations personnalisées automatisées et l'analyse de données générées par des des dispositifs portables pour évaluer les facteurs de risque modifiables de santé. Il a co-fondé Veedata, une start-up qui fournit des services d'analyse à l'industrie de l'assurance et le marché de la recherche.

Pascal Poupart a reçu un prix David R. Cheriton en 2015 et une bourse pour les nouveaux chercheurs (honneur concurrentiel pour les meilleurs chercheurs de l'Ontario) du ministère de la recherche et de l'innovation de l'Ontario en 2008. Il a également été finaliste pour le prix du meilleur article à la conférence internationale Uncertainy in Artificial Intelligence (UAI) de 2008 et co-récipiendaire du prix du meilleur article IAPR à la conférence internationale sur les Computer Vision Systems (ICVS) de 2007. Il est également membre du comité de rédaction du Journal of Machine Learning Research (JMLR) (2009 - présent) et du Journal of Artificial Intelligence Research (JAIR) (2008 - 2011). Ses collaborateurs industriels et cliniques pour la recherche comprennent Huawei, Google, Intel, Kik Interactive, In the Chat, Slyce, HockeyTech, l'association pour l'Alzheimer, l'Institut de recherche UW-Schlegel pour le vieillissement, le centre des sciences de la santé Sunnybrook et l'Institut de réadaptation de Toronto.