Guillaume Rabusseau
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 – 2019
Titulaire de chaire en IA Canada-CIFAR – Mandat renouvelé – 2024
Guillaume Rabusseau est professeur agrégé au Département d’informatique et de recherche opérationnelle (DIRO) de l’Université de Montréal, membre principal à Mila et titulaire d’une chaire en IA Canada-CIFAR.
Ses recherches, au carrefour de l’apprentissage automatique, de l’informatique théorique et de l’algèbre multilinéaire, portent plus particulièrement sur les liens entre les tenseurs pour l’apprentissage automatique. Il conçoit des algorithmes d’apprentissage efficaces pour les données structurées en utilisant l’algèbre linéaire et multilinéaire.
De manière générale, il s’intéresse aux techniques de décomposition des tenseurs, à l’utilisation des réseaux de tenseurs pour l’apprentissage automatique, à l’apprentissage automatique quantique, aux méthodes à noyaux, à la théorie des automates (pondérés) ainsi qu’aux modèles informatiques non linéaires applicables aux chaînes, aux arbres et aux graphes.
Publications Pertinentes
- Lizaire, M., Rizvi-Martel, M., Hameed, M. G. A. et Rabusseau, G. (2024). « A Tensor Decomposition Perspective on Second-order RNNs », ICML 2024.
- Huang, S., Poursafaei, F., Danovitch, J., Fey, M., Hu, W., Rossi, E., Leskovec, J., Bronstein, M., Rabusseau, G. et Rabbany, R., 2024. « Temporal graph benchmark for machine learning on temporal graphs », Advances in Neural Information Processing Systems, 36.
- Hua, C., Rabusseau, G. et Tang, J. (2022). « High-Order Pooling for Graph Neural Networks with Tensor Decomposition », Thirty-sixth Conference on Neural Information Processing Systems.
- Tianyu, L., Precup, D. et Rabusseau, G. « Connecting weighted automata, tensor networks and recurrent neural networks through spectral learning », Machine Learning 113.5 (2022): 2619-2653.
- Miller, J., Rabusseau, G., Terilla, J. (2021). « Tensor networks for probabilistic sequence modeling », Proceedings of the 24th International Conference on Artificial Intelligence and Statistics, PMLR, 130:3079-3087.