Geoff Pleiss
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
Les intérêts de recherche de Geoff Pleiss englobent un large éventail de domaines de l’apprentissage automatique, notamment l’apprentissage profond, la quantification de l’incertitude, la modélisation probabiliste et l’optimisation bayésienne. Ses travaux se situent au carrefour de l’apprentissage automatique prédictif et de la découverte scientifique. Ils visent à améliorer l’accessibilité et la fiabilité des inférences guidées par l’IA. Il est également un fervent promoteur de logiciels en libre accès, ayant cofondé les bibliothèques de logiciels GPyTorch, LinearOperator et CoLA.
Publications Pertinentes
- Abe, T., Buchanan, E. K., Pleiss, G., Zemel, R., & Cunningham, J. P. (2022). Deep ensembles work, but are they necessary?. In Advances in Neural Information Processing Systems.
- Pleiss, G., Zhang, T., Elenberg, E., & Weinberger, K. Q. (2020). Identifying mislabeled data using the area under the margin ranking. In Advances in Neural Information Processing Systems.
- Gardner, J., Pleiss, G., Weinberger, K. Q., Bindel, D., & Wilson, A. G. (2018). GPyTorch: Blackbox matrix-matrix Gaussian process inference with GPU acceleration. In Advances in neural information processing systems.
- Pleiss, G., Raghavan, M., Wu, F., Kleinberg, J., & Weinberger, K. Q. (2017). On fairness and calibration. In Advances in neural information processing systems.
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. In International conference on machine learning.