Daniel Roy
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 – 2017
Titulaire de chaire en IA Canada-CIFAR – Mandat renouvelé – 2023
Daniel Roy est titulaire d’une chaire en IA Canada-CIFAR à l’Institut Vecteur et professeur agrégé au département de statistique avec une nomination conjointe aux départements d’informatique et de génie électrique et informatique de l’Université de Toronto. Il est également professeur agrégé au département d’informatique et de mathématiques de l’Université de Toronto à Scarborough.
Ses recherches portent sur l’informatique, les statistiques et la théorie des probabilités. Il étudie la programmation probabiliste et élabore des approches informatiques relatives aux concepts fondamentaux de la théorie des probabilités et de la statistique. Il s’intéresse notamment aux théorèmes de représentation qui réunissent la calculabilité, la complexité et les structures probabilistes, aux processus stochastiques, à l’utilisation de la récursion pour définir les processus stochastiques et à ses applications aux statistiques bayésiennes non paramétriques, ainsi qu’à la complexité de l’inférence probabiliste et statistique, notamment dans le contexte de la programmation probabiliste.
Prix
- Bourse de nouveau chercheur de l’Ontario, 2017
- Google Faculty Research Award, 2017
- Membre fondateur de l’Institut Vecteur, 2017
- Organisateur des trois premiers ateliers sur la programmation probabiliste, NeurIPS, 2008, 2012 et 2014
- Meilleure affiche, Conférence sur le modèle non paramétrique bayésien, 2015
Publications Pertinentes
- Jiang, Y., Natekar, P., Sharma, M., Aithal, S. K., Kashyap, D., Subramanyam, N.,... Bengio, S. (2021). « Methods and Analysis of The First Competition in Predicting Generalization of Deep Learning », Proceedings of the NeurIPS 2020 Competition and Demonstration Track, PMLR, 133:170-190.
- Li, M. B., Nica, M., Roy, D. M. (2021). « The Future is Log-Gaussian: ResNets and Their Infinite-Depth-and-Width Limit at Initialization », préimpression arXiv, arXiv : 2106.04013
- Ramezani-Kebrya, A., Faghri, F., Markov, I., Aksenov, V., Alistarh, D., Roy, D. M. (2021). « NUQSGD: Provably Communication-efficient Data-parallel SGD via Nonuniform Quantization », Journal of Machine Learning Research, 22(114):1-43.
- Dziugaite, G. K., Hsu, K., Gharbieh, W., Roy, D. M. (2020). « On the role of data in PAC-Bayes bounds. »
- Jiang, Y., Foret, P., Yak, S., Roy, D. M., Mobahi, H., Dziugaite, G. K.,... Neyshabur, B. (2020). « NeurIPS 2020 competition: Predicting generalization in deep learning », préimpression arXiv, arXiv : 2012.07976