
Matthew Taylor
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
À Propos
Matthew Taylor est membre en résidence et titulaire d’une chaire en IA Canada-CIFAR à l’Amii. Professeur agrégé 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), il est aussi professeur adjoint à l’Université d’État de Washington.
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
- 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.
- Gabriel, V., Du, Y., Taylor, M. E. (2019). « Pre-Training with Non-Expert Human Demonstration for Deep Reinforcement Learning », The Knowledge Engineering Review, 34.
- Wang, Z., Taylor, M. E. (2018). « Interactive Reinforcement Learning with Dynamic Reuse of Prior Knowledge from Human and Agent's Demonstration ».
- Peng, B., MacGlashan, J., Loftin, R., Littman, M. L., Roberts, D. L., Taylor, M. E. (2018). « Curriculum Design for Machine Learners in Sequential Decision Tasks », IEEE Transactions on Emerging Topics in Computational Intelligence, 2(4):268-277.
- MacGlashan, J., Ho, M. K., Loftin, R., Peng, B., Roberts, D., Taylor, M. E., Littman, M. L. (2017). « Interactive Learning from Policy-Dependent Human Feedback ».
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.