Suis nous sur
post_content

Richard Zemel

Titre

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

Profil

Website

À Propos

Les contributions de Richard 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. Il a développé le Toronto Paper Matching System, un système qui permet d’attribuer les articles soumis à des réviseurs et qui est utilisé par de nombreuses conférences, dont le NIPS, l’ICML, le CVPR, l’ICCV et l’UAI. Ses recherches sont financées par des subventions du CRSNG, du CIFAR, de Microsoft, de Google, de Samsung, de la DARPA et de l’iARPA.

Richard Zemel a reçu un prix AI Pioneers de NVIDIA Pioneers of AI, un prix du jeune chercheur de l’Office of Naval Research, une bourse Presidential Scholars et deux suppléments d’accélération à la découverte du CRSNG. Il fait partie du conseil d’administration de la Neural Information Processing Society (NIPS), qui a organisé la première conférence internationale sur l’apprentissage automatique. Titulaire d’une chaire de recherche industrielle Google/CRSNG en apprentissage automatique, il est scientifique en chef de l’apprentissage automatique au Creative Destruction Lab de l’École de gestion Rotman.

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

  • J. Klys, J. Snell, R. Zemel. « Learning latent subspaces in variational autoencoders », Advances in Neural Information Processing Systems 31 (NeurIPS 2018), p. 6444-6454.
  • D. Madras, E. Creager, T. Pitassi, R. Zemel. « Learning adversarially fair and transferable representations », Proceedings of the 35th International Conference on Machine Learning, PMLR 80:3384-3393, 2018.
  • J. Snell, K. Swersky, R. Zemel. « Prototypical networks for few-shot learning », Advances in Neural Information Processing Systems 30 (NeurIPS 2017), p. 4077-4087.
  • Y. Li, D. Tarlow, M. Brockschmidt, R. Zemel. « Gated graph sequence neural networks », International Conference on Learning Representations (ICLR), 2016.
  • R. Zemel, Y. Wu, K. Swersky, T. Pitassi, C. Dwork. « Learning fair representations », Proceedings of the 30th International Conference on Machine Learning, PMLR 28(3):325-333, 2013.

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.

Centre MaRS, tour Ouest
661, avenue University, bureau 505
Toronto (Ontario) M5G 1M1 Canada