
Xujie Si
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
À Propos
Xujie Si est titulaire d’une chaire en IA Canada-CIFAR à Mila et professeur adjoint à l’École d’informatique de l’Université McGill.
Ses recherches, au carrefour des langages de programmation et de l’intelligence artificielle, portent sur le développement de techniques basées sur l’IA pour faciliter le travail des programmeurs non professionnels et pour aider les programmeurs professionnels à concevoir plus facilement des logiciels sécuritaires et fiables. Il a développé des systèmes intelligents qui synthétisent automatiquement des programmes à partir d’exemples d’entrée et de sortie, qui analysent les utilisations correctes ou incorrectes des logiciels à partir d’importantes bases de code, qui diagnostiquent efficacement les faiblesses des logiciels grâce à un petit nombre de commentaires des utilisateurs et qui vérifient formellement l’exactitude des logiciels sans nécessiter d’annotations humaines.
Xujie Si s’intéresse également à l’utilisation de méthodes et de principes de programmation formels pour améliorer les techniques d’IA, notamment en matière d’interprétabilité, de robustesse et d’efficacité des données.
Prix
- Prix du meilleur article ACM SIGPLAN, PLDI 2019
- Finaliste du prix pour le meilleur article sur la sécurité appliquée, CSAW 2016
Publications Pertinentes
- Si, X., Raghothaman, M., Heo, K., Naik, M. (2019). « Synthesizing datalog programs using numerical relaxation ». Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence (IJCAI), p. 6117-6124.
- Heo, K., Raghothaman, M., Si, X., Naik, M. (2019). « Continuously reasoning about programs using differential bayesian inference », Proceedings of the 40th ACM SIGPLAN Conference on Programming Language Design and Implementation, p. 561-575.
- Si, X., Dai, H., Raghothaman, M., Naik, M., Song, L. (2018). « Learning loop invariants for program verification », Advances in Neural Information Processing Systems, 31:7751-7762.
- Si, X., Zhang, X., Grigore, R., Naik, M. (2017). « Maximum satisfiability in software analysis: Applications and techniques », International Conference on Computer Aided Verification, Springer, p. 68-94.
- Yun, I., Min, C., Si, X., Jang, Y., Kim, T., Naik, M. (2016). « APISan: Sanitizing API Usages through Semantic Cross-Checking », Proceedings of the 25th USENIX Conference on Security Symposium, p. 363-378.
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.