Suis nous sur
Matt Taylor-BW_F

Matt Taylor

La nomination

  • Titulaire de chaire en IA Canada-CIFAR
  • Stratégie pancanadienne en matière d’IA

Connect

IRL Lab

À Propos

L’apprentissage par renforcement est une technique d’apprentissage automatique qui a connu de nombreux succès, surtout avec les jeux vidéo. Peu de déploiements ont été réalisés dans le monde réel. Le principal objectif de recherche de Matt Taylor est de sortir l’apprentissage par renforcement du laboratoire et de le faire entrer dans un cadre plus réel. Pour atteindre cet objectif à long terme, il a tracé deux voies de recherche parallèles. La première consiste à faire avancer la recherche fondamentale afin que l’apprentissage par renforcement apprenne plus rapidement et que ses performances initiales soient plus élevées, principalement en exploitant les connaissances existantes d’autres programmes, d’agents ou d’humains. La deuxième voie consiste à mieux adapter ce type d’apprentissage aux situations du monde réel. Cela demande de poursuivre des activités de recherche fondamentale, mais aussi de s’attarder à des préoccupations plus pratiques, telles que la manière dont l’explicabilité influence la confiance et la façon de réduire les risques de l’apprentissage par renforcement pour les entreprises.

Prix

  • Early Career Spotlight Talk, IJCAI, 2018
  • Membre senior, AAAI, 2018
  • Prix du jeune chercheur, École de génie électrique et d’informatique, Université d’État de Washington, 2015

Publications Pertinentes

  • Felipe Leno Da Silva, Pablo Hernandez-Leal, Bilal Kartal, Matthew E. Taylor. « Uncertainty-aware action advising for deep reinforcement learning agents », Proceedings of the 34th AAAI Conference on Artificial Intelligence (AAAI-20), janvier 2020.
  • Gabriel V. de la Cruz Jr., Yunshu Du, Matthew E. Taylor. « Pre-training with non-expert human demonstration for deep reinforcement learning », The Knowledge Engineering Review, 34, 2019.
  • Zhaodong Wang, Matthew E. Taylor. « Interactive reinforcement learning with dynamic reuse of prior knowledge from human and agent demonstrations », Proceedings of the 26th International Joint Conference on Artificial Intelligence (IJCAI), 2019.
  • Bei Peng, James MacGlashan, Robert Loftin, Michael L. Littman, David L. Roberts, Matthew E. Taylor. « Curriculum design for machine learners in sequential decision tasks », IEEE Transactions on Emerging Topics in Computational Intelligence, 2:268–277, 2018.
  • James MacGlashan, Mark Ho, Robert Loftin, Bei Peng, Guan Wang, David L. Roberts, Matthew E.Taylor, Michael L. Littman. « Interactive learning from policy-dependent human feedback », Proceedings of the International Conference on Machine Learning (ICML), août 2017.

Soutenez-nous

Le CIFAR est un organisme de bienfaisance enregistré qui reçoit le soutien des gouvernements du Canada, de l’Ontario, 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