Subventions Catalyseur en IA du CIFAR
Accélérer les projets de recherche interdisciplinaires en IA
L’IA transforme le monde dans un large éventail de domaines, des soins de santé à la physique fondamentale. Mais aucune de ces applications ne peut voir le jour sans les percées réalisées grâce à la recherche fondamentale, motivée par la curiosité et menée sur le long terme.
Les subventions Catalyseur en IA du CIFAR visent à encourager de nouvelles collaborations et des projets de recherche inédits dans le domaine de l’apprentissage automatique, ainsi que son application à différents secteurs de la science et de la société.
Si vous avez des questions au sujet de ces appels de proposition pour les subventions Catalyseur ou sur les appels à venir, veuillez nous écrire à ai@cifar.ca.
Subventions Catalyseur accordées à ce jour
Subventions de 2024
Générer des images grâce à des instructions multimodales
Faire progresser les nouvelles méthodes d’apprentissage automatique et les applications réussies en vue de créer un modèle de génération d’images d’entraînement plus généralisé.
Équipe de recherche : Wenhu Chen (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université de Waterloo), Aishwarya Agrawal (titulaire de chaire en IA Canada-CIFAR, Mila, Université de Montréal)
Les principes fondamentaux des réseaux autoattentifs : de l’optimisation à la généralisation
Créer des algorithmes plus rapides et des architectures plus efficaces pour obtenir une optimisation concrète et des garanties statistiques des réseaux autoattentifs, applicables au traitement du langage naturel, à la vision par ordinateur et à la prévision des séries chronologiques.
Équipe de recherche : Murat Erdogdu (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université de Toronto), Christos Thrampoulidis (Université de la Colombie-Britannique)
Résoudre des simulateurs au moyen de l’apprentissage par renforcement pour la conception de matériaux et de processus
Optimiser l’apprentissage par renforcement pour obtenir des simulateurs de conception de matériaux et de processus moins coûteux et plus efficaces pour la production de carburants propres.
Équipe de recherche : Martha White (titulaire de chaire en IA Canada-CIFAR, Amii, Université de l’Alberta), Mouloud Amazouz (Ressources naturelles Canada, Université de Waterloo), Ahmed Ragab (Ressources naturelles Canada, Polytechnique Montréal)
L’audit de l’IA par l’exploration de la multiplicité de modèles
Générer de nouvelles perspectives sur la façon dont les entrées de l’utilisateur ou de l’utilisatrice (« invites ») personnalisent le comportement des modèles fondateurs, ainsi que suggérer des façons de procéder à l’audit de tous les comportements affichés par un seul modèle fondateur.
Équipe de recherche : Golnoosh Farnadi (titulaire de chaire en IA Canada-CIFAR, Mila, Université McGill), Elliot Creager (Université de Waterloo)
Déploiement responsable de systèmes d’IA intégrés
Jeter les bases d’un déploiement responsable de systèmes d’IA intégrés qui perçoivent le monde réel et y interviennent.
Équipe de recherche : Mo Chen (titulaire de chaire en IA Canada-CIFAR, Amii, Université Simon Fraser), AJung Moon (Université McGill)
Traitement du langage naturel pour les personnes issues de cultures différentes
Évaluer la conscience culturelle des grands modèles de langage occidentaux actuels dans le but d’améliorer leur compétence culturelle.
Équipe de recherche : Vered Shwartz (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université de la Colombie-Britannique), Siva Reddy (titulaire de chaire en IA Canada-CIFAR, Mila, Université McGill)
Subventions de 2022-2023
Analyse de survie avec censure informative
Améliorer les méthodes statistiques permettant de faire des prédictions de la durée de vie en présence de données censurées à droite, un domaine connu sous le nom d’analyse de survie, avec une myriade d’applications dans différents secteurs d’activité.
Équipe de recherche : Rahul G. Krishnan (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université de Toronto), Russ Greiner (titulaire de chaire en IA Canada-CIFAR, Amii, Université de l’Alberta)
Mettre au point un cadre pour l’évaluation des risques de divulgation à partir de données synthétiques tabulaires sur la santé
Équipe de recherche : Linglong Kong (titulaire de chaire en IA Canada-CIFAR, Amii, Université de l’Alberta), Khaled El Emam (Université d’Ottawa)
Des contretemps sur la voie de l’apprentissage par renforcement explicable (XRL)
Faire progresser le domaine émergent de l’apprentissage automatique digne de confiance en veillant à ce que les modèles d’apprentissage par renforcement profond soient déployés de manière à réduire les risques pour les particuliers et les industries du Canada.
Équipe de recherche : Samira Ebrahimi Kahou (titulaire de chaire en IA Canada-CIFAR, Mila, Université McGill), Marlos Machado (titulaire de chaire en IA Canada-CIFAR, Amii, Université de l’Alberta), Ulrich Aïvodji (ÉTS Montréal)
Coadaptation humain-ordinateur dans l’improvisation musicale au moyen de l’apprentissage par renforcement multiagents
Concevoir des agents qui peuvent improviser avec des humains en tant que partenaires collaboratifs, capables de s’adapter au niveau de compétence et au style d’un musicien ou d’une musicienne, que cette personne soit débutante ou professionnelle.
Équipe de recherche : Cheng-Zhi Anna Huang (titulaire de chaire en IA Canada-CIFAR, Mila, Université McGill), Patrick M. Pilarski (titulaire de chaire en IA Canada-CIFAR, Amii, Université de l’Alberta)
Un cadre de reconstruction de l’imagerie par résonance magnétique fondé sur l’intelligence artificielle
Équipe de recherche : Mojgan Hodaie (Université de Toronto), Frank Rudzicz (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université Dalhousie), Timur Latypov (Université de Toronto), Marina Tawfik (Université de Toronto).
Financé en partenariat avec le Centre Temerty pour la recherche et l’enseignement de l’IA dans le domaine de la médecine
Expliquer l’explicabilité des applications d’apprentissage automatique dans les STIM
Équipe de recherche : Audrey Durand (titulaire de chaire en IA Canada-CIFAR, Mila, Université Laval), Flavie Lavoie-Cardinal (Université Laval), Jess McIver (Université de la Colombie-Britannique), Renee Hlozek (membre du programme de chercheurs mondiaux CIFAR-Azrieli, Extrême univers et gravité), Ashish Mahabal (Cal Tech), Daryl Haggard (membre du programme de chercheurs mondiaux CIFAR-Azrieli, Extrême univers et gravité)
L’IA culturellement inclusive dans le programme d’Actua destiné aux jeunes autochtones des domaines des STIM
SUBVENTION DE FORMATION EN IA POUR LES AUTOCHTONES
Chercheuse : Valeria Ianniti (Actua)
Établir des liens entre les jeunes autochtones et l’IA
SUBVENTION DE FORMATION EN IA POUR LES AUTOCHTONES
Chercheuse : Kate Arthur (Digital Moments)
Modèles génératifs respectueux de la vie privée pour la synthèse d’images de la rétine utilisées à des fins de diagnostic
SUBVENTION CATALYSEUR POUR LA RECHERCHE SUR LES DONNÉES SYNTHÉTIQUES RELATIVES À LA SANTÉ
Responsable : Xiaoxiao Li (Université de la Colombie-Britannique) en partenariat avec Roche
Synthèse des données d’une cohorte respectueuse de la vie privée en vue d’étudier et de stimuler la recherche sur la crise des opioïdes au Canada
SUBVENTION CATALYSEUR POUR LA RECHERCHE SUR LES DONNÉES SYNTHÉTIQUES RELATIVES À LA SANTÉ
Responsable : Sébastien Gambs (Université du Québec à Montréal) en partenariat avec Statistique Canada
Production de données synthétiques respectueuses de la confidentialité à partir de bases de données administratives sur la consommation de médicaments pour l’analyse de la consommation de médicaments dans la population québécoise
SUBVENTION CATALYSEUR POUR LA RECHERCHE SUR LES DONNÉES SYNTHÉTIQUES RELATIVES À LA SANTÉ
Coresponsables : Christian Gagné (Université Laval) en partenariat avec la Régie de l’assurance maladie du Québec
Un générateur capable de créer des images et des étiquettes associées pour différents types d’images, comme des images de rétine, des lésions cutanées et de l’histopathologie
SUBVENTION CATALYSEUR POUR LA RECHERCHE SUR LES DONNÉES SYNTHÉTIQUES RELATIVES À LA SANTÉ
Coresponsables : Raymond Ng et Mathias Lécuyer (Institut de la science des données de l’Université de la Colombie-Britannique) en partenariat avec Microsoft Research
Subventions de 2020
DeepCell : analyse et intégration de données spatiales de séquençage de l’ARN de cellule unique
Développement d’outils basés sur l’apprentissage profond pour analyser et intégrer des données spatiales de séquençage de l’ARN à l'échelle de la cellule unique de tumeurs cérébrales.
Collaborateurs : Bo Wang (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, UHN, Université de Toronto), Michael Taylor (Université de Toronto, Hôpital pour enfants malades de Toronto)
Repenser la généralisation et le diagnostic des modèles en apprentissage automatique moderne
Exploration des propriétés particulières des algorithmes modernes d’apprentissage automatique.
Collaborateurs : Murat Erdogdu (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université de Toronto), Ioannis Mitliagkas (titulaire de chaire en IA Canada-CIFAR, Mila, Université de Montréal), Manuela Girotti (Mila, Université Concordia)
Apprendre à résoudre des programmes linéaires mixtes en nombres entiers
Utilisation de l’apprentissage automatique pour la programmation linéaire mixte en nombres entiers.
Collaborateurs : Laurent Charlin (titulaire de chaire en IA Canada-CIFAR, Mila, HEC Montréal, Université de Montréal), Chris Maddison (Institut Vecteur, Université de Toronto)
Langage ancré dans le monde visuel pour la navigation et l’interaction des agents incarnés
Permettre à un agent intelligent de comprendre le langage naturel dans le cadre de tâches de navigation.
Collaborateurs : Chris Pal (titulaire de chaire en IA Canada-CIFAR, Mila, Polytechnique Montréal, Université de Montréal), Sanja Fidler (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université de Toronto), David Meger (Mila, Université McGill)
Confidentialité et éthique en IA : comprendre les synergies et les tensions
Exploration des tensions et des synergies qui peuvent émerger lors du déploiement des algorithmes d’apprentissage automatique, en mettant l’accent sur la responsabilité, la transparence et les biais.
Collaborateurs : Nicolas Papernot (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université de Toronto, Google), Sébastien Gambs (Université du Québec)
L'intelligence politique à l’ère de la désinformation
Utilisation de l’exploration de graphiques pour détecter et combattre la désinformation dans les systèmes d’information de masse.
Collaborateurs : Reihaneh Rabbany (titulaire de chaire en IA Canada-CIFAR, Mila, Université McGill), André Blais (Université de Montréal, Société royale du Canada), Jean-François Gagné (Université de Montréal), Jean-François Godbout (Université de Montréal)
Modèles rythmiques adaptatifs et génératifs pour la réadaptation neurologique
Exploration des bienfaits du son et de la musique, en particulier de la stimulation auditive rythmique, pour les patients atteints de la maladie de Parkinson.
Collaborateurs : Sageev Oore (titulaire de chaire en IA Canada-CIFAR, Institut Vecteur, Université Dalhousie), Michael Thaut (titulaire d’une Chaire de recherche du Canada, Université de Toronto)
Système d’apprentissage par renforcement pour l’adaptation du niveau d’automatisation des véhicules automatisés aux personnes atteintes de démence
Faire progresser le domaine de la compatibilité humaine avec l’IA appliquée aux personnes atteintes de démence en utilisant de nouveaux algorithmes pour faciliter la compatibilité.
Collaborateurs : Sarath Chandar (titulaire de chaire en IA Canada-CIFAR, Mila, Polytechnique Montréal), Alex Mihailidis (Université de Toronto, UHN)
Modélisation d’agents incarnés avec l’opérateur de Koopman
Utilisation de systèmes dynamiques pour prévoir l’état futur d’un système, puis le contrôler.
Collaborateurs : Liam Paull (titulaire de chaire en IA Canada-CIFAR, Mila, Université de Montréal), James Forbes (Université McGill)