
Xiaoxiao Li
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 – 2024
Xiaoxiao Li est professeure adjointe au département de génie électrique et informatique de l’Université de la Colombie-Britannique, où elle dirige le groupe Trusted and Efficient AI (IA digne de confiance et efficace), et professeure adjointe à la faculté de médecine de l’Université Yale. Elle se spécialise dans le domaine interdisciplinaire de l’apprentissage profond et de l’analyse des données biomédicales. Sa mission principale est de rendre l’IA plus fiable, en particulier dans des domaines sensibles comme celui des soins de santé.
Au sein du groupe Trusted and Efficient AI, son équipe explore un large éventail de sujets, allant de l’apprentissage automatique fondamental à des solutions d’IA plus ciblées sur les soins de santé. Le groupe se penche sur des sujets comme l’apprentissage à partir de données multimodales et hétérogènes, les modèles d’IA efficaces, l’apprentissage fédéré et la création de modèles d’IA qui ne se contentent pas d’exécuter des tâches, mais qui peuvent aussi être dignes de confiance. Les travaux avant-gardistes de l’équipe comprennent l’analyse par l’IA de diverses données, notamment des neuroimages, des diapositives de pathologie, ainsi que des notes moléculaires et cliniques.
En substance, le travail de Xiaoxiao Li consiste à faire le lien entre le monde de l’apprentissage automatique avancé et les besoins pratiques du domaine des soins de santé.
Prix
- Prix du lecteur ou de la lectrice critique par excellence de l’ICLR (2023)
- Prix de recherche de Meta (2022)
- Prix Nvidia Hardware (2021)
- Bourse de voyage pour étudiants et étudiantes MICCAI (2020)
- Bourse de leadership pour les diplômées et diplômés avancés de Yale (2018-2020)
Publications Pertinentes
- Li, X., Jiang, M., Zhang, X., Kamp, M., & Dou, Q. (2021). Fedbn: Federated learning on non-iid features via local batch normalization. ICLR 2021.
- Li, X., Zhou, Y., Dvornek, N., Zhang, M., Gao, S., Zhuang, J., ... & Duncan, J. S. (2021). BrainGNN: Interpretable brain graph neural network for fmri analysis. Medical Image Analysis, 74, 102233.
- Li, X., Song, Z., & Yang, J. (2023). Federated adversarial learning: A framework with convergence analysis. ICML 2023
- Xing, S., Shen, S., Xu, B., Li, X., & Huan, T. (2023). BUDDY: molecular formula discovery via bottom-up MS/MS interrogation. Nature Methods, 1-10.
- Chen, M., Jiang, M., Dou, Q., Wang, Z., & Li, X. (2023). FedSoup: Improving Generalization and Personalization in Federated Learning via Selective Model Interpolation. MICCAI 2023