Alona Fyshe
La nomination
Membre du programme des chercheurs mondiaux CIFAR-Azrieli 2016-2018
Membre
Titulaire de chaire en IA Canada-CIFAR
Apprentissage automatique, apprentissage biologique
Stratégie pancanadienne en matière d’IA
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2018
Titulaire de chaire en IA Canada-CIFAR – Mandat renouvelé – 2024
Alona Fyshe est membre du programme Apprentissage automatique, apprentissage biologique du CIFAR, membre du programme de chercheurs mondiaux CIFAR-Azrieli 2016-2018 et titulaire d’une chaire en IA Canada-CIFAR à l’Amii. Elle est professeure adjointe à l’Université de l’Alberta.
Mme Fyshe fait appel à l’apprentissage automatique pour analyser les images du cerveau recueillies pendant que des personnes lisent des textes ou regardent des images. Elle peut ainsi étudier la manière dont le cerveau humain représente le sens. Elle étudie également la manière dont les modèles informatiques apprennent à représenter le sens lorsqu’ils sont entraînés sur du texte ou sur des images. Elle exploite les liens entre les représentations informatiques du sens et celles que l’on trouve dans le cerveau humain afin de faire progresser notre compréhension du cerveau et les connaissances actuelles en matière d’apprentissage automatique.
Prix
- L’IA en recherche – Chercheuse de l’année en IA (2e place), Women in AI, 2022
- Les 40 meilleurs de moins de 40 ans, Edify, 2020
Publications Pertinentes
- Ghanem, B., Lutz Coleman, L., Rivard Dexter, J., McIntosh von der Ohe, S. et Fyshe, A. (2022). « Question Generation for Reading Comprehension Assessment by Modeling How and What to Ask ». Findings of the Association for Computational Linguistics, (pp. 2131–2146).
- Banman, K., Peet-Pare, G. L., Hegde, N., Fyshe, A. et White, M. (2022). « Resonance in Weight Space: Covariate Shift Can Drive Divergence of SGD with Momentum ». 10e conférence internationale sur l’apprentissage par représentation.
- Hashemzadeh, M., Kaufeld, G., White, M., Martin, A. E. et Fyshe, A. (2020). « From Language to Language-ish: How Brain-Like is an LSTM’s Representation of Nonsensical Language Stimuli? ». Findings of the Empirical Methods in Natural Language Processing.
- Haoyan, X., Murphy, B., Fyshe, A. (2016). « BrainBench: A Brain-Image Test Suite for Distributional Semantic Models », SIGDAT Conference on Empirical Methods for Natural Language Processing, Austin, Texas.
- Fyshe, A., Talukdar, P.P, Murphy, B., Mitchell, T.M. (2014). « Interpretable Semantic Vectors from a Joint Model of Brain- and Text-Based Meaning », Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics, 1:489-499.