Danica J. Sutherland
À Propos
La popularité récente de l’apprentissage automatique est due en grande partie au développement important de l’apprentissage de représentations, où un algorithme réussit à identifier la structure des données. Les recherches de Danica Sutherland portent sur l’amélioration du processus d’apprentissage de représentations, notamment en utilisant les idées issues des méthodes à noyaux. L’intégration de noyaux dans les approches courantes peut, idéalement, aider à apprendre des représentations efficaces à partir d’ensembles de données d’entraînement plus modestes. De plus, ces représentations peuvent être généralisées à des populations différentes de celles utilisées pour l’entraînement. Danica Sutherland s’intéresse tout particulièrement aux représentations qui identifient les différences entre les ensembles de données. Par exemple, elle tente de voir s’il y a des différences entre les images médicales des groupes de patients et celles des groupes de contrôle, ou si un modèle génératif a réussi à atteindre sa distribution cible. Elle travaille à la fois sur des problèmes pratiques éclairés par des points de vue théoriques et sur des problèmes théoriques éclairés par la pratique.
Publications Pertinentes
- Kamath, P., A. Tangella, D.J. Sutherland, N. Srebro. « Does Invariant Risk Minimization Characterize Invariance? », Proceedings of the 24th International Conference on Artificial Intelligence and Statistics, PMLR 130:4069-4077, 2021.
- Zhou, L., D.J. Sutherland, N. Srebro. « On Uniform Convergence and Low-Norm Interpolation Learning », Advances in Neural Information Processing Systems 33 (NeurIPS 2020).
- Liu, F., W. Xu, J. Lu, G. Zhang, A. Gretton, D.J. Sutherland. « Learning Deep Kernels for Non-Parametric Two-Sample Tests », Proceedings of the 37th International Conference on Machine Learning (ICML 2020).
- Bińkowski, M., D.J. Sutherland, M. Arbel, A. Gretton. « Demystifying MMD GANs », International Conference on Learning Representations (ICLR 2018).
- Sutherland, D.J., J. Schneider. « On the Error of Random Fourier Features », Proceedings of the 31st Conference on Uncertainty in Artificial Intelligence (UAI 2015).
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.
Centre MaRS, tour Ouest
661, avenue University, bureau 505
Toronto (Ontario) M5G 1M1 Canada