Aishwarya Agrawal
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 – 2020
Aishwarya Agrawal est titulaire d’une chaire en IA Canada-CIFAR et professeure adjointe au département d’informatique et de recherche opérationnelle (DIRO) de l’Université de Montréal. Elle est également membre principale du corps professoral de Mila, l’Institut québécois d’intelligence artificielle. Elle travaille également un jour par semaine en tant que chercheuse scientifique chez Google DeepMind.
Ses intérêts de recherche se situent au carrefour de la vision par ordinateur, de l’apprentissage profond et du traitement du langage naturel. Elle se concentre sur le développement de systèmes d’intelligence artificielle (IA) capables de « voir » (c’est-à-dire de comprendre le contenu d’une image : qui fait quoi et où ?) et de « parler » (c’est-à-dire de communiquer aux humains leur compréhension en langage naturel libre).
Prix
- Prix d’excellence des jeunes diplômé(e)s de 2023 récompensant des résultats universitaires exceptionnels, décerné par l’Institut indien de technologie
- Finaliste pour le prix de la meilleure thèse de 2019 de l’AAAI/ACM SIGAI
- Prix de la meilleure thèse de 2020 du Collège d’informatique de l’université Georgia Tech
- Prix de la meilleure thèse de doctorat de 2020 décerné par la société de recherche scientifique Sigma Xi de l’université Georgia Tech
- Bourse Google 2019-2020 (refusée)
- Bourse Facebook 2019-2020 (refusée)
- Bourse d’études supérieures NVIDIA, 2018-2019
- Étoile montante en génie électrique et informatique, 2018
Publications Pertinentes
- Ahmadi, S., & Agrawal, A. (2024). « An Examination of the Robustness of Reference-Free Image Captioning Evaluation Metrics. » In Findings of the Association for Computational Linguistics: EACL.
- Manas, O., Krojer, B., & Agrawal, A. (2024). « Improving Automatic VQA Evaluation Using Large Language Models. » In the 38th Annual AAAI Conference on Artificial Intelligence.
- Zhang, L., Wu, Y., Mo, F., Nie, J. Y., & Agrawal, A. (2023). « MoqaGPT: Zero-Shot Multi-modal Open-domain Question Answering with Large Language Model. » In the Findings of the Association for Computational Linguistics (EMNLP).
- Bugliarello, E., Sartran, L., Agrawal, A., Hendricks, L. A., & Nematzadeh, A. (2023) « Measuring Progress in Fine-grained Vision-and-Language Understanding. » In the Association for Computational Linguistics (ACL).
- Manas, O., Rodrguez, P., Ahmadi, S., Nematzadeh, A., Goyal, Y., & Agrawal, A. (2023) « MAPL: Parameter-Efficient Adaptation of Unimodal Pre-Trained Models for Vision-Language Few-Shot Prompting. » Published in the European Chapter of the Association for Computational Linguistics (EACL).