Passer au contenu

/ Research

Je donne

Rechercher

Natural Sciences and Engineering; Engineering

Simon Lacoste-Julien

Comment programmer un ordinateur pour qu’il apprenne des données et réalise des tâches utiles

Professeur agrégé

Faculté des arts et des sciences - Département d'informatique et de recherche opérationnelle

André-Aisenstadt, room 3339

514 343-6822

simon.lacoste-julien@umontreal.ca

Secondary email: slacoste@iro.umontreal.ca (Travail)

Media

La borne d'Occam ou le principe le plus fondamental de l'épistémologie des sciences!

Clubmath par Simon Lacoste-Julien, 21 mars 2018.

Simon Lacoste-Julien: Apprentissage statistique et big data : notions de base pour l'analyse

Simon Lacoste-Julien FR

Simon Lacoste-Julien, Professeur associé à Mila et l'Université de Montréal, discute des bénéfices de travailler à Mila pour les professeurs.

Profile

Research expertise

Son objectif de recherche principal est de mettre au point et d’analyser des techniques d’apprentissage automatique qui peuvent exploiter, à large échelle, la riche structure de données dans des applications interdisciplinaires, comme le traitement du langage naturel, l’extraction d’information, la vision artificielle et la biologie computationnelle. À cette fin, il associe des outils d’optimisation, de statistiques et d’informatique, et il aime particulièrement travailler à l’interface entre les domaines. Lacoste-Julien est reconnu pour ses contributions dans trois domaines : prédiction structurée (problèmes de classification où les extrants sont des objets structurés, comme des séquences ou des graphiques); optimisation à large échelle (méthode des gradients incrémentaux et optimisation de Frank-Wolfe); et association de méthodes génératives et discriminatoires.

Biography

Simon Lacoste-Julien est professeur agrégé dans le département d’informatique et de recherche opérationnelle de l’Université de Montréal, membre co-fondateur de Mila et détenteur d’une Chaire en IA CIFAR-Canada. Ses recherches portent sur l’apprentissage automatique et les mathématiques appliquées, avec comme application la vision par ordinateur et le traitement automatique des langues. Il a obtenu son doctorat en informatique à l’Université de Californie à Berkeley en 2009, suivi d’un post-doc à l’Université de Cambridge et a été chercheur au sein de INRIA et le département d’informatique de l’École normale supérieur de Paris pendant quelques années avant de faire un retour au bercail à Montréal en 2016 pour se joindre au projet de Yoshua Bengio de faire de Montréal une « silicon mountain » de l’intelligence artificielle.

Awards and recognitions

  • Subvention à la découverte du CRSNG, 2017
  • Google Focused Research Award, 2016
  • Wolfson College Junior Research Fellowship, Université de Cambridge, 2009–2011
  • Prix d’étudiant diplômé du Collège de génie de l’Université de la Californie à Berkeley, 2008

Projects

Research projects

2017 - 2023

Robust and Efficient Structured Prediction

Lead researcher : Simon Lacoste-Julien
Funding sources: CRSNG/Conseil de recherches en sciences naturelles et génie du Canada (CRSNG)
Grant programs: PVX20965-(RGP) Programme de subvention à la découverte individuelle ou de groupe
2019 - 2021

Programme de bourses PostDoc 2018 - IVADO - Candidat: Golnoosh Farnadi

Lead researcher : Simon Lacoste-Julien
Funding sources: SPIIE/Secrétariat des programmes interorganismes à l’intention des établissements
Grant programs: PVXXXXXX-Fonds d'excellence en recherche Apogée Canada/Fonds démarrage et opération
2019 - 2021

Programme de stages postdoctoraux IVADO Stag. Golnoosh Farnadi

Lead researcher : Simon Lacoste-Julien
Funding sources: SPIIE/Secrétariat des programmes interorganismes à l’intention des établissements
Grant programs: PVXXXXXX-Fonds d'excellence en recherche Apogée Canada/Bourse
2019 - 2021

Programme de stages - IVADO - Sharan Vaswani / Theoretical Understanding of Deep Neural Networks

Lead researcher : Simon Lacoste-Julien
Funding sources: SPIIE/Secrétariat des programmes interorganismes à l’intention des établissements
Grant programs: PVXXXXXX-Fonds d'excellence en recherche Apogée Canada/Bourse
2018 - 2020

Optimization and machine learning for fleet management of autonomous electric shuttles

Lead researcher : Bernard Gendron
Co-researchers : Simon Lacoste-Julien , Gabriel Crainic , Mohammad-Ali Jenabian
Funding sources: SPIIE/Secrétariat des programmes interorganismes à l’intention des établissements
Grant programs: PVXXXXXX-Fonds d'excellence en recherche Apogée Canada/Projet de recherche
2018 - 2020

Monte Carlo and Quasi-Monte Carlo Methods for Optimization and Machine Learning

Lead researcher : Pierre L'Écuyer
Co-researchers : Simon Lacoste-Julien , Luc P Devroye
Funding sources: SPIIE/Secrétariat des programmes interorganismes à l’intention des établissements
Grant programs: PVXXXXXX-Fonds d'excellence en recherche Apogée Canada/Projet de recherche
2017 - 2018

Research Support : Fellow: Learning in Machines & Brains

Lead researcher : Simon Lacoste-Julien
Funding sources: CIFAR - Canadian Institute for Advanced Research/ Institut canadien des recherches avancées
Grant programs:

Outreach

Publications and presentations

Publications

Osokin, A., F. Bach et S. Lacoste-Julien. « On Structured Prediction Theory with Calibrated Convex Surrogate Losses. » Article présenté à la NIPS conference, Long Beach, 2017.

Lacoste-Julien, S. et M. Jaggi. « On the Global Linear Convergence of Frank-Wolfe Optimization Variants. » Article présenté à la conférence NIPS, Montréal, 2015.

Defazio, A., F. Bach et S. Lacoste-Julien. « SAGA: A Fast Incremental Gradient Method With Support for Non-Strongly Convex Composite Objectives. » Article présenté à la conférence NIPS, Montréal, 2014.

Lacoste-Julien, S. et coll. « Block-Coordinate Frank-Wolfe Optimization for Structural SVMs. » Article présenté à la conférence ICML, Atlanta, Georgia, 2013.

Lacoste-Julien, S., F. Huszár et Z. Ghahramani. « Approximate Inference for the Loss-Calibrated Bayesian. » Article présenté à la conférence AISTATS, Fort Lauderdale, Florida, 2011.

Disciplines

  • Computer Science
  • Computer Engineering and Software Engineering
  • Statistics

Areas of expertise

  • Machine learning
  • Representation learning
  • Deep learning
  • Artificial intelligence
  • Statistical models
  • Nonlinear programming
  • Neural Networks
  • Natural-language processing (NLP)
  • Data science