Renjie Liao
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 – 2023
Les recherches de Renjie Liao portent sur l’apprentissage profond géométrique, les modèles génératifs profonds et l’inférence probabiliste. Il a mis au point des réseaux de neurones capables d’apprendre des représentations graphiques utiles et de générer des données structurées par des graphes de grande qualité (par exemple, des molécules et des protéines). Ses contributions à la recherche comprennent également le développement de compréhensions théoriques de ces modèles et leur application pour résoudre des problèmes pratiques relatifs à la vision par ordinateur, la conduite autonome et l’apprentissage par renforcement. Son objectif de recherche à long terme est de construire des systèmes d’apprentissage capables de découvrir automatiquement des structures à partir de données et de raisonner sur des structures.
Prix
- Meilleur lecteur expert, ICML (2020)
- Meilleur lecteur expert, NeurIPS (2019)
- Prix du meilleur article, Atelier sur la modélisation probabiliste tractable d’ICML (2019)
- Bourse d’études supérieures RBC (2019-2021)
- Bourse internationale Connaught pour les doctorant(e)s, Université de Toronto (2015-2019)
Publications Pertinentes
- Liao, R., Kornblith, S., Ren, M., Fleet, D. J. et Hinton, G. (2022). « Gaussian-Bernoulli RBMs Without Tears ». arXiv preprint, arXiv:2210.10318.
- Liao, R., Urtasun, R. et Zemel, R. (2021). « A PAC-Bayesian Approach to Generalization Bounds for Graph Neural Networks ». International Conference on Learning Representations.
- Liao, R., Li, Y., Song, Y., Wang, S., Hamilton, W., Duvenaud, D. K. ... et Zemel, R. (2019). « Efficient graph generation with graph recurrent attention networks ». Advances in neural information processing systems
- Liao, R., Zhao, Z., Urtasun, R. et Zemel, R. (2019). « LanczosNet: Multi-Scale Deep Graph Convolutional Networks ». International Conference on Learning Representations.
- Liao, R., Xiong, Y., Fetaya, E., Zhang, L., Yoon, K., Pitkow, X. ... et Zemel, R. (2018). « Reviving and improving recurrent back-propagation ». International Conference on Machine Learning.