
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, local 3339
Médias
Portrait
Expertise de recherche
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.
Biographie
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.
Prix et distinctions
- 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
Pour en savoir plus…
- 15-11-2017 Entrevue avec Simon Lacoste-Julien sur les robots-tueurs
- 04-03-2019 Grâce à l'intelligence artificielle, les ordinateurs sont beaucoup plus efficaces pour nous tendre des pièges
- 02-05-2019 Samsung Electronics Expands SAIT AI Lab Montreal to Spur AI Research for Next-Generation System Semiconductor
- 12-06-2019 Un expert de l’IA embauchera 20 chercheurs à Mila
- 16-06-2019 5 idées reçues sur l’IA, démontées par des chercheurs
- 05-08-2018 La révolution IA a bel et bien démarré, affirme Simon Lacoste-Julien
Affiliations et responsabilités
Affiliations de recherche
Enseignement et encadrement
Enseignement
Cours siglés (session en cours uniquement)
Programmes
Projets
Projets de recherche
Robust and Efficient Structured Prediction
Identifiability of latent factors through multiple self-supervision
Programme de stages - IVADO - Sharan Vaswani / Theoretical Understanding of Deep Neural Networks
Programme de stages postdoctoraux IVADO Stag. Golnoosh Farnadi
Programme de bourses PostDoc 2018 - IVADO - Candidat: Golnoosh Farnadi
Optimization and machine learning for fleet management of autonomous electric shuttles
Monte Carlo and Quasi-Monte Carlo Methods for Optimization and Machine Learning
Research Support : Fellow: Learning in Machines & Brains
Rayonnement
Publications et communications
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
- Informatique
- Génie informatique et génie logiciel
- Statistiques
Champ d’expertise
- Apprentissage automatique
- Apprentissage de représentations
- Apprentissage profond
- Intelligence artificielle
- Modèles statistiques
- Programmation non linéaire
- Réseaux de neurones
- Traitement automatique du langage naturel (TALN)
- Science des données