Suis nous sur
CIFAR header logo
en
menu_mobile_logo_alt
  • NOTRE IMPACT
    • Pourquoi le CIFAR?
    • Pôles d’impact
    • Nouvelles
    • Stratégie du CIFAR
    • Favoriser la résilience de la Terre
    • Impact IA
    • Impact des dons
    • CIFAR 40
  • Activités
    • Événements publics
    • Réunions sur invitation seulement
  • Programmes
    • Programmes de recherche
    • Stratégie pancanadienne en matière d’IA
    • Initiatives à l’intention de la prochaine génération
  • Communauté
    • Membres et spécialiste-conseils
    • Chercheurs mondiaux CIFAR-Azrieli
    • Chaires en IA Canada-CIFAR
    • Direction – Stratégie en matière d’IA
    • Membres du réseau de solutions
    • Direction – CIFAR
    • Répertoire du personnel
  • Soutenez-nous
  • À propos
    • Notre histoire
    • Prix
    • Partenariats
    • Publications et rapports
    • Carrières
    • Équité, diversité et inclusion
    • Déclaration du CIFAR sur la neutralité institutionnelle
    • Sécurité de la recherche
  • en
  • Accueil
  • Bio

Suivez-nous

post_content

Marc G. Bellemare

La nomination

Membre auxiliaire

Titulaire de chaire en IA Canada-CIFAR

Apprentissage automatique, apprentissage biologique

Stratégie pancanadienne en matière d’IA

Connect

Page personnelle

Google Scholar

À Propos

Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2019

Titulaire de chaire en IA Canada-CIFAR – Mandat renouvelé – 2024

Marc G. Bellemare est titulaire d’une chaire en IA Canada-CIFAR à Mila, membre auxiliaire du programme Apprentissage automatique, apprentissage biologique du CIFAR, professeur associé à l’École d’informatique de l’Université McGill et directeur scientifique à Reliant AI, une jeune pousse de Montréal et Berlin spécialisée dans l’apprentissage par renforcement pour les données.

Ses recherches se situent au carrefour de l’apprentissage par renforcement et de la modélisation générative. De ses travaux découlent des contributions théoriques et pratiques, y compris l’apprentissage par renforcement distributionnel, une théorie de l’exploration d’espaces d’états hautement dimensionnels, la mise au point du très efficace Arcade Learning Environment pour l’évaluation d’agents artificiels et l’apprentissage profond par renforcement appliqué. Il a précédemment dirigé la conception de systèmes d’apprentissage par renforcement pour contrôler la flotte de ballons stratosphériques Loon. Il étudie maintenant l’application de l’apprentissage par renforcement à de grands modèles de langage et l’apprentissage par représentation pour l’apprentissage par renforcement à grande échelle.

Prix

  • Prix du meilleur article, Advances in Neural Processing Systems, 2021
  • Prix du meilleur article, Atelier d’exploration dans l'apprentissage par renforcement d’ICML, 2019
  • Prix du meilleur article, Symposium sur l’apprentissage par renforcement et prise de décision, 2019

Publications Pertinentes

  • Bellemare, M., Dabney, W., Rowland, M. (2023). Distributional reinforcement learning. MIT Press.
  • D’Oro, P., Schwarzer, M., Nikishin, E., Bacon, P., Bellemare, M., Courville, A. (2022). Sample-efficient reinforcement learning by breaking the replay ratio barrier.
  • Agarwal, R., Schwarzer, M., Castro P. S., Courville A., Bellemare, Marc G. (2021). « Deep reinforcement learning at the edge of the statistical precipice », Advances in Neural Information Processing Systems.
  • Bellemare, M. G., Candido, S., Castro, P. S., Gong, J., Machado, M. C., Moitra, S., Ponda, S. S., Wang, Z. (2020). « Autonomous navigation of stratospheric balloons using reinforcement learning », Nature.
  • François-Lavet, V., Henderson, P., Islam, R., Bellemare, M. G., Pineau, J. (2018). An introduction to deep reinforcement learning, Now Foundations and Trends, 156 p.
  • Bellemare, M. G., Dabney, W., Munos, R. (2017). « A distributional perspective on reinforcement learning », Proceedings of the 34th International Conference on Machine Learning, PMLR 70:449-458.
  • Bellemare, M., Srinivasan, S., Ostrovski, G., Schaul, T., Saxton, D., Munos, R. (2016). « Unifying count-based exploration and intrinsic motivation », Advances in Neural Information Processing Systems, 29:1471-1479.

institut

Google Brian

Mila

Reliant AI

Département

École d’informatique

Éducation

  • PhD (informatique), Université de l’Alberta
  • MSc (informatique), Université McGill
  • BSc spécialisé (informatique), Université McGill

Pays

Canada

Soutenez-nous

L’Institut canadien de recherches avancées (CIFAR) est une organisation de recherche d’influence mondiale fièrement basée au Canada. Nous mobilisons les plus brillants personnes du monde, dans toutes les disciplines et à tous les stades de carrière, pour faire progresser les connaissances transformatrices et résoudre ensemble les plus grands problèmes de l’humanité. Nous recevons l’appui des gouvernements du Canada, de l’Alberta et du Québec, ainsi que de fondations, de particuliers, d’entreprises et d’organisations partenaires du Canada et du monde entier.

Dons
CIFAR header logo

Centre MaRS, tour Ouest
661, avenue University, bureau 505
Toronto (Ontario) M5G 1M1 Canada

Contactez-nous
Médias
Carrières
Politiques sur l’accessibilité
Bienfaiteurs
Rapports financiers
Abonnez-vous

  • © Copyright 2025 CIFAR. Tous les droits sont réservés.
  • Numéro d’enregistrement d’organisme de bienfaisance : 11921 9251 RR0001
  • Conditions d'utilisation
  • Politique de confidentialité
  • Plan du Site

Souscrire

Rejoignez notre communauté! Restez à jour avec nos nouvelles, événements, conférences et ateliers et dernières découvertes à travers le monde.

Ce site Web enregistre des témoins sur votre ordinateur. Ces témoins sont utilisés pour recueillir des renseignements sur votre interaction avec notre site Web et nous permettre de vous reconnaître. Nous utilisons ces renseignements afin d'améliorer et de personnaliser votre expérience de navigation et à des fins d'analyse et de mesures concernant nos visiteurs, tant sur ce site Web que sur d'autres médias. Pour en savoir plus sur les témoins que nous utilisons, consultez notre politique deconfidentialité.
Accepter En savoir plus