Roger Grosse
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2017
Titulaire de chaire en IA Canada-CIFAR – Mandat renouvelé – 2023
Roger Grosse est titulaire d’une chaire en IA Canada-CIFAR à l’Institut Vecteur et professeur agrégé au département d’informatique de l’Université de Toronto.
Membre fondateur de l’Institut Vecteur, Grosse vise à mieux comprendre ce qui fait fonctionner les réseaux de neurones profonds et comment optimiser pleinement les architectures de réseaux et les algorithmes pour qu’ils s’entraînent plus rapidement, généralisent mieux, détectent la structure sous-jacente d’un problème et prennent des décisions plus fiables. Il a récemment entrepris de mettre à profit cette compréhension pour surveiller et atténuer les risques catastrophiques potentiels liés aux systèmes d’IA avancés.
Prix
- Bourse de recherche AI2050, Schmidt Sciences, 2024
- Bourse de recherche Sloan, 2021
- Bourse de nouveau chercheur de l’Ontario, 2018
- Prix de jeune chercheur Connaught, 2017
- Bourse postdoctorale Banting, CRSNG, 2015
- Meilleur article étudiant, Conférence sur l’incertitude en IA (UAI), 2012
Publications Pertinentes
- Bae, J., Ng, N., Lo, A., Ghassemi, M. et Grosse, R. (2022). « If influence functions are the answer, then what is the question? ». Publié dans Advances in Neural Information Processing Systems 35 (pp. 17953-17967).
- Bae, J., Vicol, P., HaoChen, J. Z. et Grosse, R. (2022). « Amortized proximal optimization ». Publié dans Advances in Neural Information Processing Systems 35 (pp. 8982-8997).
- Vicol, P., Lorraine, J. P., Pedregosa, F., Duvenaud, D. et Grosse R. (2022). « On implicit bias in overparameterized bilevel optimization ». Publié dans Actes de la Conférence internationale sur l’apprentissage automatique (pp. 22234-22259). PMLR.
- Burda, Y., Grosse, R., Salakhutdinov, R. (2015). « Importance weighted autoencoders ».
- Lee, H., Grosse, R., Ranganath, R., Ng, A. Y. (2009). « Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations », Proceedings of the 26th International Conference on Machine Learning, p. 609-616.