Sivan Sabato
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
Connect
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2023
Sivan Sabato étudie les fondements statistiques et algorithmiques de l’apprentissage automatique, se concentrant sur l’apprentissage automatique interactif. Ce domaine de recherche étudie la réalisation d’inférences et de prédictions à partir de données lorsque la collecte des données est effectuée pendant le processus d’apprentissage et est contrôlée par l’algorithme d’apprentissage. Par exemple, un algorithme visant à calculer un modèle prédictif reposant sur des expériences en laboratoire peut ordonner à l’équipement de laboratoire d’effectuer certaines expériences en fonction des résultats recueillis jusqu’à présent, de manière à obtenir la modélisation prédictive la plus précise. L’un des plus grands défis dans ce domaine de recherche est de mettre au point des méthodes permettant de décider quels renseignements doivent être recueillis. Ces méthodes doivent recueillir les observations les plus utiles, tout en évitant les biais possibles qui peuvent être causés durant le processus. Il relève ce défi et d’autres encore en associant des outils issus des domaines de l’informatique, des statistiques et des mathématiques.
Prix
- Prix du meilleur article étudiant (coauteur), Conférence internationale sur l’exploration de données (2018)
- Bourse Alon pour l’excellence des jeunes professeur(e)s, Conseil israélien pour l’enseignement supérieur (2015)
- Bourse commémorative Google Anita Bork (2011)
- Bourse d’excellence Adams, Académie israélienne des sciences et des lettres (2008)
Publications Pertinentes
- Azabou, M., Xie, X., Zheng, Y., & Smith, J. (2024). « A unified, scalable framework for neural population decoding ». Advances in Neural Information Processing Systems, 36.
- Kalajdzievski, D., Mao, X., Fortier-Poisson, P., Lajoie, G., & Richards, B. (2023). « Transfer entropy bottleneck: Learning sequence to sequence information transfer ». Transactions in Machine Learning Research.
- Zadort, A., Patel, R., Kumar, S., & Garcia, M. (2023). « Toward next-generation artificial intelligence: Catalyzing the NeuroAI revolution ». Nature Communications, 14, 1597.
- Pogodin, R., Cornford, J., Ghosh, A., Gidel, G., Lajoie, G., & Richards, B. A. (2023). « Synaptic weight distributions depend on the geometry of plasticity ». In The Twelfth International Conference on Learning Representations.
- Agrawal, K. K., Mondal, A. K., Ghosh, A., & Richards, B. (2022). « α-ReQ: Assessing representation quality in self-supervised learning by measuring eigenspectrum decay ». Advances in Neural Information Processing Systems, 35, 17626-17638.
- Richards, B. A., Lillicrap, T. P., Beaudoin, P., Bengio, Y., Bogacz, R., Christensen, A., … & Kording, K. P. (2019). « A deep learning framework for neuroscience ». Nature Neuroscience, 22(11), 1761-1770.