Microsoft Research & Mila

Engagement des professeurs de Mila

Appel à des projets de recherche de Microsoft Research et de Mila

Deux fois par an, Microsoft Research lance un appel à des projets de recherche auprès des professeurs de Mila afin de promouvoir les recherches conjointes en apprentissage automatique. Cet appel vise à financer des projets collaboratifs ambitieux qui ont le potentiel de façonner l’avenir de l’intelligence artificielle.

Veuillez voir ci-dessous une liste de propositions sélectionnées financées par Microsoft Research lors de l’appel de propositions le plus récent. La prochaine série d’appels à propositions aura lieu de mai à juin 2020.

Mars 2020

• Apprentissage des représentations à partir de l'interaction physique

  Devon Hjelm (MSR Montreal), Mihai Jalobeanu (MSR AI), Yonatan Bisk (MSR AI), Liam Paull (Mila), Florian Golemo (Mila), Aaron Courville (Mila)

  In this project we explore the role of interaction on revealing underlying properties of the world, notably those properties not easily discernible through visual observation alone. Specifically, we train models by curiosity and interaction within robotic control, as this setting allows us to concretely design experiments over which we can reasonably make progress on questions that relate interaction with representation learning. Our experimental setting will focus on learning invisible properties and affordances through interaction both in simulation and on real robot platforms.

• Représentation biaisée par la parcimonie dans l'apprentissage par renforcement

  Rémi Tachet Des Combes (MSR Montreal), Pierre-Luc Bacon (Mila), Yoshua Bengio (Mila), Romain Laroche (MSR Montreal)

  Notre objectif est d'explorer le concept de biais de parcimonie (PB) en apprentissage par renforcement. Le PB indique que les agents doivent raisonner sur un petit nombre de concepts à partir de l'état actuel (espace d'état PB), et sur un petit nombre de pas de temps significatifs dans sa trajectoire (PB temporel). Nous espérons démontrer qu'un agent formé à l'aide du BP a de solides affectation de crédit et planning capacités et peut s'adapter rapidement à de nouveaux environnements.

• Meta Learning en induisant des règles logiques

  Will Hamilton (Mila/McGill), Xingdi Yuan (MSR Montreal), Marc-Alexandre Cote (MSR Montreal), Romain Laroche (MSR Montreal), Adam Trischler (MSR Montreal)

  La capacité d'apprendre et de généraliser à partir de petites quantités de données est un aspect fondamental de l'intelligence humaine. Dans le contexte de l'apprentissage automatique, cette capacité est souvent étudiée sous l'égide du «méta-apprentissage», dans lequel des modèles sont entraînés pour permettre une adaptation rapide à de nouvelles tâches. Notre projet explorera une nouvelle approche du méta-apprentissage basée sur le concept d'induction de règles logiques, où nous développerons des approches d'apprentissage qui cherchent à extraire la structure logique partagée entre des tâches liées.

• Vers la combinaison de l'apprentissage relationnel statistique et des réseaux de neurones graphiques pour le raisonnement

  Jian Tang (Mila), Chenyan Xiong (MSR AI)

  Le raisonnement relationnel, un ingrédient clé du raisonnement du Système II, est important dans une variété de tâches complexes telles que la réponse aux questions, la compréhension des images et la réalisation du graphe de connaissances. Ce problème a été largement étudié dans la communauté d'apprentissage relationnel statistique traditionnelle et dans la communauté d'apprentissage de la représentation graphique en croissance récente de manière indépendante. Dans ce projet, nous visons à combiner les avantages des deux mondes et à favoriser la collaboration entre les deux communautés différentes.

• Réponse aux questions conversationnelles en domaine ouvert

  Shehzaad Dhuliawala (MSR Montreal), Kaheer Suleman (MSR Montreal), Siva Reddy (Mila/McGill) 

  Dans cette proposition, nous prévoyons de développer des moteurs de recherche de nouvelle génération capables de répondre à des questions conversationnelles. Le principal défi consiste à construire un modèle d'inférence conjointe qui comprend les conversations, effectue la recherche d'informations et lit les documents pour répondre aux questions.

• Recommandation bilatérale avec équité

  Xue Liu (Mila), Fernando Diaz (MSR Montreal)

  Two-sided recommendation systems bring together two populations such as buyers and sellers, listeners and musicians, and employers and job seekers. While many existing recommendation systems have focused on optimizing metrics such as user satisfaction, they often do not incorporate the satisfaction of content producers. As a result, the platforms become less attractive and content quality can suffer. Moreover, even when multiple objectives are considered, they can result in unfair allocation of exposure for content from certain groups. This project will develop models for multi-objective, fair recommendation.

• Atténuer le biais des pronoms de genre dans le texte

  Carolyne Pelletier (Mila), Sandeep Subramanian (Mila), Samira Shabanian (MSR Montreal), Yoshua Bengio (Mila)

  Ce projet étudie les moyens d'atténuer le biais lié aux pronoms de genre (un type de biais implicite) lors du déploiement de systèmes de traitement du langage naturel. Ceci est important car, tout comme la façon dont les humains intègrent leurs propres biais dans le texte qu'ils écrivent, il a été démontré que des modèles de compréhension du langage comme BERT propagent ces types de biais qui existent dans leurs données d'entraînement aux tâches en aval. Tout d'abord, nous proposons une modification de la tâche de pré-formation du BERT afin d'atténuer le biais des pronoms de genre. Deuxièmement, nous proposons d'affiner un ensemble de données augmenté qui vise à réduire le biais des pronoms de genre dans des tâches telles que la modélisation du langage masqué. Enfin, nous explorons la possibilité de former un modèle pour identifier et corriger le biais des pronoms de genre au niveau de la phrase en utilisant un modèle de compréhension du langage pré-formé comme BERT et en l'ajustant sur l'ensemble de données Gender Pronom Bias qui est collecté à Mila. avec BiaslyAI. Cela pourrait être utilisé comme une application d'utilisateur final ou utilisé pour corriger le biais du pronom de genre dans les données de formation.

Mai 2019

• Vers la caractérisation de la compositionnalité et la généralisation systématique des représentations en langage naturel

  Alessandro Sordoni (MSR Montreal) and Professor Timothy O’Donnell (Mila)

• Apprentissage et raisonnement avec des structures de graphes dans des environnements de texte interactifs

  Marc-Alexandre Cote (MSR Montreal), Eric Yuan (MSR Montreal), Professor William Hamilton (Mila) and Professor Jian Tang (Mila)

• Dynamique d'apprentissage des formulations d'apprentissage automatique contradictoires

  Remi Tachet Des Combes (MSR Montreal) and Professor Ioannis Mitliagkas (Mila)

MSR Collaborateurs Membres du Corps professoral à Mila

• Professeur Aaron Courville (opens in new tab)
• Professeur Jackie Cheung (opens in new tab)
• Professeur Gauthier Gidel (opens in new tab)