Stefan Bauer
La nomination
Membre du programme des chercheurs mondiaux CIFAR-Azrieli 2020-2022
Apprentissage automatique, apprentissage biologique
Connect
À Propos
Les systèmes actuels d’IA ont une capacité limitée à comprendre le monde qui nous entoure, comme le démontre leur capacité limitée à transférer des connaissances vers de nouveaux problèmes ou leur manque de compétence à appliquer des outils connus dans un scénario inconnu.
Il s’agit d’un problème que partagent de nombreuses méthodes établies qui, pour déduire des motifs et une structure à partir de données, se fondent essentiellement sur la prévisibilité. Dans ses recherches, Stefan Bauer a pour objectif principal de créer des machines aptes à extrapoler l’expérience à travers les environnements et les tâches par l’entremise de l’apprentissage de mécanismes indépendants qu’il est possible d’utiliser, de constituer et de repositionner avec souplesse.
Prix
- 2019 Meilleur article, Conférence internationale sur l’apprentissage automatique (ICML)
- 2018 Médaille pour thèse doctorale exceptionnelle de l’ETH
Publications Pertinentes
- Pfister, N., Bauer, S. et Peters, J. (2019). Learning stable and predictive structures in kinetic systems. Proceedings of the National Academy of Sciences, 116(51), 25405-25411. doi:10.1073/pnas.1905688116
- Suter, R., Miladinovic, D., Schölkopf, B. et Bauer, S. (2019, mai). Robustly disentangled causal mechanisms: Validating deep representations for interventional robustness. Dans International Conference on Machine Learning (p. 6056-6065).
- Locatello, F., Bauer, S., Lucic, M., Rätsch, G., Gelly, S., Schölkopf, B. et Bachem, O. (2019, mai). Challenging common assumptions in the unsupervised learning of disentangled representations. Dans International Conference on Machine Learning (p. 4114-4124).