Dale Schuurmans
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 – 2021
Dale Schuurmans est titulaire d’une chaire en IA Canada-CIFAR à l’lAmii, directeur de la recherche chez Google DeepMind et professeur au département d’informatique de l’Université de l’Alberta.
L’objectif de recherche à long terme de Dale Schuurmans est de développer des systèmes qui apprennent des modèles prédictifs à partir de sources de données massives lorsque les modèles requis sont complexes. Parmi ses recherches en cours figurent la modélisation statistique du langage naturel, l’apprentissage par renforcement et l’apprentissage du contrôle de la recherche. Il se concentre actuellement sur le développement d’algorithmes qui acquièrent des compétences grâce à l’intégration de l’apprentissage par la démonstration et par l’expérience. Il a également développé de nouvelles méthodes d’inférence probabiliste, d’optimisation et de satisfaction des contraintes.
Prix
- Prix de l’article exceptionnel, Conférence internationale sur l’apprentissage par représentation, 2024
- Prix du meilleur article, NeurIPS 2018
- Boursier, Association for the Advancement of Artificial Intelligence (AAAI), 2017
- Chaire de recherche du Canada en apprentissage automatique, 2008-2018
- Prix du meilleur article, IJCAI 2005
- Prix du meilleur article, AAAI 2000
Publications Pertinentes
- Du, Y., Yang, M., Dai, B., Dai, H., Nachum, O., Tenenbaum, J., Schuurmans, D. et Abbeel, P. (2023). « Learning universal policies via text-guided video generation ». Publié dans Advances in Neural Information Processing Systems 36.
- Zhou, D., Schaerli, N., Hou, L., Wei, J., Scales, N., Wang, X., Schuurmans, D., Bousquet, O., Le, Q. et Chi, E. (2023). « Least-to-most prompting enables complex reasoning in large language models ». Publié dans Actes de la Conférence internationale sur l’apprentissage par représentation.
- Wang, X., Wei, J., Schuurmans, D., Le, Q., Chi, E., Narang, S., Chowdhery, A. et Zhou, D. (2023). « Self-consistency improves chain of thought reasoning in language models ». Publié dans Actes de la Conférence internationale sur l’apprentissage par représentation.
- Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q. et Zhou, D. (2022). « Chain of thought prompting elicits reasoning in large language models ». Publié dans Advances in Neural Information Processing Systems 36.
- Ren, H., Dai, H., Dai, B., Chen, X., Yasunaga, M., Sun, H., Schuurmans, D., Leskovec, J. et Zhou, D. (2021). « LEGO: Latent execution-guided reasoning for multi-hop question answering on knowledge graphs ». Publié dans Actes de la Conférence internationale sur l’apprentissage automatique.
- Mei, J., Xiao, C., Dai, B., Li, L., Szepesvári, C., Schuurmans, D. (2020). « Escaping the Gravitational Pull of Softmax », Advances in Neural Information Processing Systems, 33.