Matthew Taylor
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 – 2020
Matthew Taylor est membre et titulaire d’une chaire en IA Canada-CIFAR à l’Amii. Professeur en informatique à l’Université de l’Alberta, où il est également directeur du laboratoire IRL (Intelligent Robot Learning) et chercheur principal du laboratoire RLAI (Reinforcement Learning & Artificial Intelligence).
Ses recherches portent sur le développement d’agents intelligents, des entités physiques ou virtuelles qui interagissent avec leur environnement. Ses principaux objectifs sont de permettre aux agents individuels et aux équipes d’agents d’apprendre des tâches dans des environnements du monde réel qui ne sont pas entièrement connus au moment de la conception des agents. Ses équipes étudient actuellement l’amélioration de l’apprentissage par renforcement par le biais de démonstrations, l’enseignement de systèmes d’apprentissage par renforcement par le biais de conseils d’action, ainsi que l’entraînement des agents avec un minimum d’intervention humaine.
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
- Retzlaff, C. O., Das, S., Wayllace, C., Mousavi, P., Afshari, M., Yang, T., Saranti, A., Angerschmid, A., Taylor, M. E. et Holzinger, A. (2024). « Human-in-the-Loop Reinforcement Learning: A Survey and Position on Requirements, Challenges, and Opportunities », Journal of Artificial Intelligence Research, vol. 79, p. 359-415.
- N. Gupta, G. Srinivasaraghavan, S. Mohalik, N. Kumar et M. E. Taylor. (2023). « hammer: Multi-level coordination of reinforcement learning agents via learned messaging », Neural Computing and Applications, p. 1-16.
- Behboudian, P., Satsangi, Y., Taylor, M. E., Harutyunyan, A. et Bowling, M. (2022). « Policy invariant explicit shaping: an efficient alternative to reward shaping », Neural Computing and Applications, p. 1-14.
- Yang, Y., Luo, J., Wen, Y., Slumbers, O., Graves, D., Bou Ammar, H., Wang, J. et Taylor, M. E. (2021). « Diverse Auto-Curriculum is Critical for Successful Real-World Multiagent Learning Systems », Proceedings of the Autonomous Agents and Multiagent Systems (AAMAS).
- Da Silva, F. L., Hernandez-Leal, P., Kartal, B., Taylor, M. E. (2020). « Uncertainty-Aware Action Advising for Deep Reinforcement Learning Agents », Proceedings of the 34th AAAI Conference on Artificial Intelligence (AAAI), p. 5792-5799.