Suis nous sur
Created with GIMP

Yuhong Guo

Titre

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

À Propos

Les recherches de Yuhong Guo visent à accroître l’autonomie des méthodes d’apprentissage automatique en réduisant la dépendance à une assistance humaine poussée. Son programme de recherche repose sur trois axes principaux : l’apprentissage par transfert généralisé, l’apprentissage à partir de données incomplètes et l’apprentissage à partir de données faiblement supervisées. Les travaux de Yuhong Guo sur l’apprentissage par transfert ont permis d’exploiter des sources de données auxiliaires pour réduire les besoins d’annotation des tâches cibles, notamment grâce à l’adaptation des domaines, à l’apprentissage à partir de zéro et à l’apprentissage par quelques coups. Pour les scénarios d’analyse de données, comme les systèmes de recommandation, où les données sont rares ou manquantes, elle a développé des techniques de complétion de la matrice pour déduire les mécanismes d’association de données sous-jacents et récupérer automatiquement les observations manquantes. De plus, elle a développé des techniques qui permettent d’apprendre de modèles prédictifs précis à partir d’une supervision faible, comme les annotations imprécises collectées par des non-experts dans le cadre d’externalisation ouverte. Ce programme de recherche a étendu l’applicabilité de l’apprentissage automatique à des scénarios plus variés. 

Prix

  • Chaire de recherche du Canada de niveau 2, CRSNG, 2016
  • Prix du meilleur article, AAAI, 2012
  • Bourse postdoctorale, CRSNG, 2008
  • Prix du meilleur, IJCAI, 2005

Publications Pertinentes

  • Z. Zhao, Y. Guo, H. Shen, J. Ye. « Adaptive Object Detection with Dual Multi-Label Prediction », Proceedings of the European Conference on Computer Vision (ECCV 2020).
  • M. Ye, Y. Guo. « Progressive Ensemble Networks for Zero Shot Recognition », Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2019).
  • Y. Guo. « Convex Co-Embedding for Matrix Completion with Predictive Side Information », Proceedings of the 31st AAAI Conference on Artificial Intelligence (AAAI 2017).
  • M. Xiao and Y. Guo. « Feature Space Independent Semi-Supervised Domain Adaptation via Kernel Matching », IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 37(1):54-66, 2014.
  • M. Xiao, Y. Guo. « A Novel Two-Step Method for Cross Language Representation Learning », Advances in Neural Information Processing Systems (NeurIPS 2013).

Soutenez-nous

Le CIFAR est un organisme de bienfaisance enregistré qui reçoit le soutien des gouvernements du Canada, de l’Ontario, 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