Suis nous sur
CIFAR header logo
en
menu_mobile_logo_alt
  • Nouvelles
  • Activités
    • Événements publics
    • Réunions sur invitation seulement
  • Programmes
    • Programmes de recherche
    • Stratégie pancanadienne en matière d’IA
    • Initiatives à l’intention de la prochaine génération
    • Appel à idées mondial
  • Communauté
    • Membres et spécialiste-conseils
    • Chercheurs mondiaux CIFAR-Azrieli
    • Chaires en IA Canada-CIFAR
    • Direction – Stratégie en matière d’IA
    • Membres du réseau de solutions
    • Direction – CIFAR
  • Soutenez-nous
  • À propos
    • Notre histoire
    • CIFAR 40
    • Prix
    • Partenariats
    • Publications et rapports
    • Carrières
    • Répertoire du personnel
    • Équité, diversité et inclusion
  • en
  • Accueil
  • Bio

Suivez-nous

post_content

Courtney Paquette

La nomination

Titulaire de chaire en IA Canada-CIFAR

Stratégie pancanadienne en matière d’IA

Connect

Page personnelle

Google Scholar

À Propos

Courtney Paquette est titulaire d’une chaire en IA Canada-CIFAR à Mila, professeure adjointe au département de mathématiques et statistique de l’Université McGill et chercheuse chez Google Brain.

Ses recherches portent sur la conception et l’analyse d’algorithmes pour des problèmes d’optimisation à grande échelle, en vue d’applications en science des données. Certaines des techniques qu’elle utilise dans ses recherches relèvent de divers domaines, notamment les probabilités, la théorie de la complexité et l’analyse convexe et non lisse.

Prix

  • Bourse Tanzi-Egerton, 2016
  • Prix d’excellence en enseignement, Département de mathématiques, Université de Washington, 2012

Publications Pertinentes

  • Paquette, C., Lee, K., Pedregosa, F., Paquette, E. (2021). « SGD in the Large: Average-case Analysis, Asymptotics, and Stepsize Criticality », Proceedings of Thirty Fourth Conference on Learning Theory (COLT), PMLR, 134:3548-3626.
  • Paquette, C., Paquette, E. (2021). « Dynamics of Stochastic Momentum Methods on Large-scale, Quadratic Models ».
  • Davis, D., Drusvyatskiy, D., Paquette, C. (2020). « The nonsmooth landscape of phase retrieval », IMA Journal of Numerical Analysis, 40(4):2652-2695.
  • Drusvyatskiy, D., Paquette, C. (2019). « Efficiency of minimizing compositions of convex functions and smooth maps », Mathematical Programming, 178(1):503-558.
  • Paquette, C., Lin, H., Drusvyatskiy, D., Mairal, J., Harchaoui, Z. (2018). « Catalyst for gradient-based nonconvex optimization », International Conference on Artificial Intelligence and Statistics, PMLR, p. 613-622.

institut

Mila

Université McGill

Département

Mathématiques et statistique

Éducation

  • PhD (mathématiques), Université de Washington

Pays

Canada

Soutenez-nous

Le CIFAR est un organisme de bienfaisance enregistré qui reçoit le soutien des gouvernements du Canada, de l’Alberta et du Québec, ainsi que de fondations, de donateurs individuels, d’entreprises et de partenaires canadiens et internationaux.

Dons
CIFAR header logo

Centre MaRS, tour Ouest
661, avenue University, bureau 505
Toronto (Ontario) M5G 1M1 Canada

Contactez-nous
Médias
Carrières
Politiques sur l’accessibilité
Bienfaiteurs
Rapports financiers
Abonnez-vous

  • © Copyright 2023 CIFAR. Tous les droits sont réservés.
  • Numéro d’enregistrement d’organisme de bienfaisance : 11921 9251 RR0001
  • Conditions d'utilisation
  • Politique de confidentialité
  • Plan du Site

Souscrire

Rejoignez notre communauté! Restez à jour avec nos nouvelles, événements, conférences et ateliers et dernières découvertes à travers le monde.

Ce site Web enregistre des témoins sur votre ordinateur. Ces témoins sont utilisés pour recueillir des renseignements sur votre interaction avec notre site Web et nous permettre de vous reconnaître. Nous utilisons ces renseignements afin d'améliorer et de personnaliser votre expérience de navigation et à des fins d'analyse et de mesures concernant nos visiteurs, tant sur ce site Web que sur d'autres médias. Pour en savoir plus sur les témoins que nous utilisons, consultez notre politique deconfidentialité.
Accepter En savoir plus