
Mark Schmidt
La nomination
- Titulaire de chaire en IA Canada-CIFAR
- Stratégie pancanadienne en matière d’IA
À Propos
Mark Schmidt est titulaire d’une chaire en IA Canada-CIFAR, boursier de l’Amii et professeur associé au Laboratoire d’intelligence informatique de l’Université de la Colombie-Britannique. Il est membre du corps professoral d’ElementAI et consultant pour 1QBit et LimeSpot.
Il explore les défis que pose l’apprentissage de modèles complexes à partir de grands ensembles de données. Ses recherches portent principalement sur l’accélération et la vérification des algorithmes fondamentaux d’apprentissage automatique. Il travaille notamment dans les domaines de l’optimisation de l’apprentissage automatique, de l’apprentissage automatique probabiliste et des applications de vision par ordinateur.
Le chercheur vise à améliorer la vitesse, l’efficacité et l’efficience des modèles d’apprentissage automatique. Dans le domaine de la vision par ordinateur, il s’est intéressé à la reconnaissance d’objets distincts dans des images, à la segmentation d’images extérieures et à l’estimation de la profondeur, ainsi qu’à la restauration et à l’incrustation d’images. Il a également développé des applications pour analyser la propagation des idées dans les réseaux sociaux, pour étiqueter des séquences en langage naturel et pour modéliser la cinématique des brins d’ADN.
Prix
- Prix du meilleur article, AISTAT, 2021
- Prix du meilleur article étudiant, Conférence internationale sur les ordinateurs basés sur l’ADN, 2017
- Prix Lagrange en optimisation continue, Mathematical Optimization Society, 2018
- Bourse de recherche Sloan, 2017
- Bourse postdoctorale, CRSNG, 2012
Publications Pertinentes
- Kunstner, F., Kumar, R., Schmidt, M. (2021). « Homeomorphic-Invariance of EM: Non-Asymptotic Convergence in KL Divergence for Exponential Families via Mirror Descent », Proceedings of the 24th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 130:3295-3303.
- Zolaktaf, S., Dannenberg, F., Rudelis, X., Condon, A., Schaeffer, J. M., Schmidt, M., ... et Winfree, E. (2017). « Inferring parameters for an elementary step model of DNA structure kinetics with locally context-dependent Arrhenius rates », International Conference on DNA-Based Computers, p. 172-187.
- Schmidt, M., Le Roux, N., Bach, F. (2017). « Minimizing finite sums with the stochastic average gradient », Mathematical Programming, 162(1-2), 83-112.
- Roux, N. L., Schmidt, M., Bach, F. (2012). « A stochastic gradient method with an exponential convergence rate for finite training sets », Advances in Neural Information Processing Systems, 25.
- Schmidt, M., Berg, E., Friedlander, M., Murphy, K. (2009). « Optimizing costly functions with simple constraints: A limited-memory projected quasi-newton algorithm », Proceedings of the 12th International Conference on Artificial Intelligence and Statistics, PMLR 5:456-463.
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.