Richard Zemel
La nomination
Membre auxiliaire
Titulaire de chaire en IA Canada-CIFAR
Apprentissage automatique, apprentissage biologique
Stratégie pancanadienne en matière d’IA
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2019
Richard Zemel est titulaire d’une chaire en IA Canada-CIFAR à l’Institut Vecteur, membre auxiliaire du programme Apprentissage automatique, apprentissage biologique du CIFAR, professeur au département d’informatique de l’Université de Toronto et chercheur scientifique chez Google Brain. Il est directeur de recherche à l’Institut Vecteur, titulaire de la Chaire de recherche industrielle CRSNG-Google en apprentissage automatique et scientifique en chef de l’apprentissage automatique au Creative Destruction Lab de l’École de gestion Rotman de l’Université de Toronto. Il est également cofondateur de SmartFinance, une jeune entreprise de technologie financière spécialisée dans l’enrichissement des données et le traitement du langage naturel.
Les contributions de Zemel comprennent des travaux fondamentaux sur les systèmes d’apprentissage de représentations utiles de données sans aucune supervision, des méthodes d’apprentissage pour le classement et la recommandation d’éléments ainsi que des systèmes d’apprentissage automatique pour le sous-titrage et les réponses à des questions sur des images.
Prix
- Chaire de recherche industrielle en apprentissage automatique, CRSNG, 2018
- Prix AI Pioneers, NVIDIA, 2016
- Supplément d’accélération à la découverte, CRSNG, 2009, 2014
- Prix d’excellence du doyen, Université de Toronto, 2005-2008, 2011, 2013, 2014
Publications Pertinentes
- Klys, J., Snell, J., & Zemel, R. (2018). « Learning latent subspaces in variational autoencoders », Advances in Neural Information Processing Systems, 31:6444-6454.
- Madras, D., Creager, E., Pitassi, T., Zemel, R. (2018). « Learning adversarially fair and transferable representations », Proceedings of the 35th International Conference on Machine Learning, PMLR 80:3384-3393.
- Snell, J., Swersky, K., Zemel, R. (2017). « Prototypical networks for few-shot learning », Advances in Neural Information Processing Systems, 30:4077-4087.
- Li, Y., Tarlow, D., Brockschmidt, M., Zemel, R. (2015). « Gated graph sequence neural networks ».
- Zemel, R., Wu, Y., Swersky, K., Pitassi, T., Dwork, C. (2013). « Learning fair representations », Proceedings of the 30th International Conference on Machine Learning, PMLR 28(3):325-333.