Suis nous sur
CIFAR header logo
en
menu_mobile_logo_alt
  • Nouvelles
  • Activités
    • Événements publics
    • Réunions sur invitation seulement
  • Programmes
    • Programmes de recherche
    • Stratégie pancanadienne en matière d’IA
    • Initiatives à l’intention de la prochaine génération
    • Appel à idées mondial
  • Communauté
    • Membres et spécialiste-conseils
    • Chercheurs mondiaux CIFAR-Azrieli
    • Chaires en IA Canada-CIFAR
    • Direction – Stratégie en matière d’IA
    • Membres du réseau de solutions
    • Direction – CIFAR
  • Soutenez-nous
  • À propos
    • Notre histoire
    • CIFAR 40
    • Prix
    • Partenariats
    • Publications et rapports
    • Carrières
    • Répertoire du personnel
    • Équité, diversité et inclusion
  • en
  • Accueil
  • Bio

Suivez-nous

Stefan Bauer

Stefan Bauer

La nomination

Membre du programme des chercheurs mondiaux CIFAR-Azrieli 2020-2022

Apprentissage automatique, apprentissage biologique

Connect

website

À Propos

Les systèmes actuels d’IA ont une capacité limitée à comprendre le monde qui nous entoure, comme le démontre leur capacité limitée à transférer des connaissances vers de nouveaux problèmes ou leur manque de compétence à appliquer des outils connus dans un scénario inconnu.

Il s’agit d’un problème que partagent de nombreuses méthodes établies qui, pour déduire des motifs et une structure à partir de données, se fondent essentiellement sur la prévisibilité. Dans ses recherches, Stefan Bauer a pour objectif principal de créer des machines aptes à extrapoler l’expérience à travers les environnements et les tâches par l’entremise de l’apprentissage de mécanismes indépendants qu’il est possible d’utiliser, de constituer et de repositionner avec souplesse.

Prix

  • 2019 Meilleur article, Conférence internationale sur l’apprentissage automatique (ICML)
  • 2018 Médaille pour thèse doctorale exceptionnelle de l’ETH

Publications Pertinentes

  • Pfister, N., Bauer, S. et Peters, J. (2019). Learning stable and predictive structures in kinetic systems. Proceedings of the National Academy of Sciences, 116(51), 25405-25411. doi:10.1073/pnas.1905688116
  • Suter, R., Miladinovic, D., Schölkopf, B. et Bauer, S. (2019, mai). Robustly disentangled causal mechanisms: Validating deep representations for interventional robustness. Dans International Conference on Machine Learning (p. 6056-6065).
  • Locatello, F., Bauer, S., Lucic, M., Rätsch, G., Gelly, S., Schölkopf, B. et Bachem, O. (2019, mai). Challenging common assumptions in the unsupervised learning of disentangled representations. Dans International Conference on Machine Learning (p. 4114-4124).

Département

Département d’inférence empirique

Éducation

  • Ph.D. (apprentissage automatique), ETH Zurich
  • M.Sc. (mathématiques), ETH Zurich
  • B.Sc. (économie et finance), Université de Londres (LSE)
  • B.Sc. (mathématiques), ETH Zurich

Pays

Allemagne

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.

Dons
CIFAR header logo

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

Contactez-nous
Médias
Carrières
Politiques sur l’accessibilité
Bienfaiteurs
Rapports financiers
Abonnez-vous

  • © Copyright 2023 CIFAR. Tous les droits sont réservés.
  • Numéro d’enregistrement d’organisme de bienfaisance : 11921 9251 RR0001
  • Conditions d'utilisation
  • Politique de confidentialité
  • Plan du Site

Souscrire

Rejoignez notre communauté! Restez à jour avec nos nouvelles, événements, conférences et ateliers et dernières découvertes à travers le monde.

Ce site Web enregistre des témoins sur votre ordinateur. Ces témoins sont utilisés pour recueillir des renseignements sur votre interaction avec notre site Web et nous permettre de vous reconnaître. Nous utilisons ces renseignements afin d'améliorer et de personnaliser votre expérience de navigation et à des fins d'analyse et de mesures concernant nos visiteurs, tant sur ce site Web que sur d'autres médias. Pour en savoir plus sur les témoins que nous utilisons, consultez notre politique deconfidentialité.
Accepter En savoir plus