Borealis AI se réjouit d’annoncer les lauréats du programme de bourses de recherche aux cycles supérieurs Borealis AI 2018-2019. Les bourses de recherche ont été attribuées à des étudiants exceptionnels qui poursuivent des études supérieures en apprentissage machine et en intelligence artificielle dans de grandes universités canadiennes. 

Chaque lauréat a démontré de remarquables aptitudes à la recherche, fourni de solides références et présenté des objectifs de recherche clairs et réfléchis pour l’année scolaire en cours. Nous avons été impressionnés par le niveau exceptionnel des candidats, et notre comité d’évaluation n’a pas eu la tâche facile pour sélectionner les dix finalistes. 

Nous sommes fiers de présenter notre premier groupe de lauréats (ci-dessous) et nous nous réjouissons à l’idée de les rencontrer en personne dans le cadre d’un événement organisé en leur honneur le 1er mars à notre centre de recherche de Montréal. 

 

 

Alexandra Kearney

Établissement : Université de l’Alberta, Amii, candidate au doctorat
Intérêts de recherche : Apprentissage par renforcement
Sujet de recherche : L’approche prédictive des connaissances

 

 

Alexia Jolicœur-Martineau

Établissement : Université de Montréal, Mila, candidate au doctorat
Intérêts de recherche : Modèles génératifs profonds, statistiques de calcul
Sujet de recherche : Compréhension, amélioration et extension des réseaux antagonistes génératifs

 

 

Andre Cianflone

Établissement : Université McGill, Mila/RLLab, candidat au doctorat
Intérêts de recherche: Langue et interaction, apprentissage de renforcement
Sujet de recherche : Communication émergente et apprentissage de représentations

 

 

Bahare Fatemi

Établissement : Université de la Colombie-Britannique, candidate au doctorat
Intérêts de recherche: Graphes de connaissance
Sujet de recherche : Amélioration de l’intégration de graphes de connaissances au moyen de relations ontologiques, de relations temporelles et de relations à arité plus élevée

 

 

Gauthier Gidel

Établissement : Université de Montréal, Mila, candidat au doctorat
Intérêts de recherche: Optimisation, apprentissage multi-agents
Sujet de recherche : Optimisation efficace du point-selle pour l’apprentissage machine moderne

 

 

Mehrdad Ghadiri

Établissement : Université de la Colombie-Britannique, candidat à la maîtrise
Intérêts de recherche : Optimisation discrète et continue, apprentissage machine théorique, apprentissage machine et exploration de données, conception et analyse d’algorithmes, neurosciences informatiques, bio-informatique
Sujet de recherche : Descente de gradient stochastique non homogène

 

 

Paul Vicol

Établissement : Université de Toronto, Institut Vecteur, candidat au doctorat
Intérêts de recherche : Optimisation, régularisation, réseaux de neurones bayésiens, modèles génératifs
Sujet de recherche : Adaptation en ligne d’hyperparamètres pour améliorer l’entraînement et la généralisation 

 

 

Priyank Jaini

Établissement : Université de Waterloo, candidat au doctorat
Intérêts de recherche : Modèles génératifs profonds, modèles de mélange, apprentissage en ligne, réseaux sommes-produits, optimisation
Sujet de recherche : Modèle de mélange homogène profond : représentation, séparation

 

 

Scott Fujimoto

Établissement : Université McGill, Mila, candidat au doctorat
Intérêts de recherche: Apprentissage par renforcement profond
Sujet de recherche : Unification de l’imitation et de l’apprentissage par renforcement pour un apprentissage utilisant efficacement les données

 

 

Shengyang Sun

Établissement : Université de Toronto, Institut Vecteur, candidat au doctorat
Intérêts de recherche : Inférence bayésienne, optimisation, modèles génératifs profonds, modélisation probabiliste 
Sujet de recherche : Estimation fiable de l’incertitude dans les réseaux de neurones bayésiens