Hugo Larochelle
La nomination
Membre auxiliaire
Titulaire de chaire en IA Canada-CIFAR
Apprentissage automatique, apprentissage biologique
Stratégie pancanadienne en matière d’IA
À Propos
Hugo Larochelle est membre auxiliaire du programme Apprentissage automatique, apprentissage biologique du CIFAR et titulaire d’une chaire en IA Canada-CIFAR à Mila. Il est professeur associé au département d’informatique et de recherche opérationnelle (DIRO) de l’Université de Montréal et responsable de l’équipe Google Brain à Montréal.
Cet informaticien mène des recherches sur l’apprentissage automatique, c’est-à-dire sur le développement d’algorithmes capables de déduire des concepts et des abstractions à partir de données.
Il s’intéresse particulièrement aux réseaux neuronaux profonds et à leur application dans la résolution de problèmes associés aux mégadonnées et à l’intelligence artificielle, comme la vision par ordinateur et le traitement du langage naturel.
Plus précisément, ses recherches portent sur les sujets suivants :
Tâches : apprentissage supervisé, semi-supervisé et non supervisé, prévision de sorties structurées, classement, estimation de la densité ;
Modèles : apprentissage profond, réseaux neuronaux, autoencodeurs, machines de Boltzmann, champs aléatoires de Markov;
Applications : reconnaissance et localisation d’objets, classification de documents, recherche documentaire.
Prix
- Google Faculty Research Award, 2013 et 2012
- Subvention à la découverte du CRSNG, 2012
- Prix pour un article remarquable, AISTATS, 2011
Publications Pertinentes
- Ganin, Y., Ustinova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Lempitsky, V. (2016). « Domain-adversarial training of neural networks », The Journal of Machine Learning Research, 17(1):2096-2030.
- Ravi, S., Larochelle, H. (2016). « Optimization as a model for few-shot learning ».
- 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. et coll. « Greedy layer-wise training of deep networks. » Adv. Neural Inf. Process. Syst 19 (janvier 2007).
- Bengio, Y., Lamblin, P., Popovici, D., Larochelle, H. (2007). « Greedy layer-wise training of deep networks », Advances in Neural Information Processing Systems, 19.
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.