Suis nous sur
CIFAR header logo
en
menu_mobile_logo_alt
  • NOTRE IMPACT
    • Pourquoi le CIFAR?
    • Pôles d’impact
    • Nouvelles
    • Stratégie du CIFAR
    • Favoriser la résilience de la Terre
    • Impact IA
    • Impact des dons
    • CIFAR 40
  • 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
  • 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
    • Répertoire du personnel
  • Soutenez-nous
  • À propos
    • Notre histoire
    • Prix
    • Partenariats
    • Publications et rapports
    • Carrières
    • Équité, diversité et inclusion
    • Déclaration du CIFAR sur la neutralité institutionnelle
    • Sécurité de la recherche
  • en
  • Accueil
  • Bio

Suivez-nous

post_content

Hugo Larochelle

La nomination

Spécialiste-conseil

Apprentissage automatique, apprentissage biologique

Connect

Université de Montréal

Google Scholar

À Propos

Hugo Larochelle est chercheur associé au programme Apprentissage automatique, apprentissage biologique du CIFAR et chercheur principal dans l’équipe Google DeepMind à Montréal. Son champ de compétences principal est l’apprentissage profond. Ses travaux antérieurs comprennent le préentraînement non supervisé avec des autoencodeurs, les autoencodeurs débruiteurs, la classification fondée sur l’attention visuelle, les modèles neuronaux de distribution autorégressive et l’apprentissage sans exemple. Plus largement, il s’intéresse aux applications de l’apprentissage profond au traitement du langage naturel, au code, à la vision par ordinateur et aux problèmes de durabilité environnementale.

Il a cofondé l’entreprise Whetlab, qui a été rachetée en 2015 par Twitter, où il a ensuite travaillé en tant que chercheur scientifique au sein du groupe Twitter Cortex. Il est notamment membre des conseils d’administration de la Conférence internationale sur l’apprentissage automatique (ICML) et de la Conférence sur les systèmes de traitement de l’information neuronale (NeurIPS). Il a également cofondé la revue Transactions on Machine Learning Research.

Hugo Larochelle donne un cours en ligne très apprécié sur l’apprentissage profond et les réseaux de neurones, accessible gratuitement sur YouTube.

Prix

  • Google Faculty Research Award, 2013 et 2012
  • Subvention à la découverte du CRSNG, 2012
  • Prix pour un article remarquable, AISTATS, 2011

Publications Pertinentes

  • Teng, M., Elmustafa, A., Akera, B., Bengio, Y., Radi, H., Larochelle, H. et Rolnick, D. (2023). « Satbird: a dataset for bird species distribution modeling using remote sensing and citizen science data ». In Proceedings of the Neural Information Processing System conference - Datasets and Benchmarks Track.
  • Shrivastava, D., Larochelle, H. et Tarlow, D. (2023). « Repository-level prompt generation for large language models of code ». In International Conference on Machine Learning (pp. 31693 - 31715). PMLR.
  • Afrasiyabi, A., Larochelle, H., Lalonde, J-F. et Gagné, C. (2022). « Matching feature sets for few-shot image classification ». In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp.9014-9024).
  • Zhou, H., Vani, A., Larochelle, H. et Courville, A. (2022). « Fortuitous forgetting in connectionist networks ». In Proceedings of the International Conference on Learning Representations.
  • Larochelle, H., & Murray, I. (2011). The neural autoregressive distribution estimator. In Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics (pp. 29-37).
  • Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y., Manzagol, P. A., Bottou, L. (2010). « Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion », Journal of Machine Learning Research, 11(12).
  • Bengio, Y., Lamblin, P., Popovici, D., Larochelle, H. (2007). « Greedy layer-wise training of deep networks », Advances in Neural Information Processing Systems, 19.

institut

Google DeepMind

Mila

Université de Montréal

Département

Informatique et recherche opérationnelle (DIRO)

Éducation

  • PhD (informatique), Université de Montréal
  • MSc (informatique), Université de Montréal
  • BSc (mathématiques et informatique), Université de Montréal

Pays

Canada

Soutenez-nous

L’Institut canadien de recherches avancées (CIFAR) est une organisation de recherche d’influence mondiale fièrement basée au Canada. Nous mobilisons les plus brillants personnes du monde, dans toutes les disciplines et à tous les stades de carrière, pour faire progresser les connaissances transformatrices et résoudre ensemble les plus grands problèmes de l’humanité. Nous recevons l’appui des gouvernements du Canada, de l’Alberta et du Québec, ainsi que de fondations, de particuliers, d’entreprises et d’organisations partenaires du Canada et du monde entier.

Dons
CIFAR footer 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 2025 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.

Fields marked with an * are required

I prefer to register in English (click here)


S'abonner aux bulletins d'information du CIFAR: *

Vous pouvez vous désabonner de ces communications à tout moment. Consultez notrepolitique de confidentialité.

 À titre d’abonné, vous recevrez aussi un exemplaire numérique de REACH, notre revue annuelle qui met en lumière nos chercheurs et leurs découvertes au moyen d’articles de fond, d’entrevues et d’illustrations.


Si vous souhaitez recevoir une édition papier de la revue REACH, veuillez fournir les renseignements supplémentaires suivants :


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

Notifications