25 octobre, 2020 5 min

Element AI publie 10 articles scientifiques pour la conférence NeurIPS 2020

L'équipe de recherche d'Element AI et ses collaborateurs publient des articles scientifiques sur divers sujets liés à l'intelligence artificielle et aux réseaux de neurones.

Montréal, le 26 octobre 2020—Element AI, un développeur mondial de solutions et de logiciels alimentés par l’intelligence artificielle (IA), a annoncé aujourd’hui que 10 des 17 articles scientifiques soumis seront présentés à la conférence 2020 sur les systèmes de traitement de l’information neuronale (NeurIPS). Lors de la plus grande conférence annuelle sur l’IA et l’apprentissage machine, qui se tiendra virtuellement du 6 au 12 décembre, Element AI se joint aux chercheurs en IA du monde entier pour partager les dernières recherches scientifiques, théories et avancées en matière d’apprentissage machine. Ces articles influents définissent chaque année la manière dont la technologie sous-jacente des initiatives axées sur l’IA et l’AM affecte les produits et solutions conçus pour automatiser et soutenir la prise de décisions.

Dédiée à l’expansion de la recherche fondamentale par une approche ouverte et collaborative, Element AI emploie une équipe diversifiée de détenteurs d’un PhD et de scientifiques des données qui travaillent avec un vaste réseau international de chercheurs universitaires et d’institutions de recherche. L’investissement dans ces efforts de recherche mondiaux a donné lieu à 10 articles sélectionnés pour NeurIPS 2020 par des membres de l’équipe d’Element AI et leurs partenaires.

Voici quelques articles présentés par Element AI lors de NeurIPS cette année :

  1. Differentiable Causal Discovery from Interventional Data (Découverte de causes différenciées à partir de données interventionnelles) par Alexandre Drouin (auteur principal) et al.
    Proposition d’une méthode théorique basée sur les réseaux neuronaux pour la découverte de relations causales à partir d’une combinaison de données observationnelles et expérimentales.
  2. In Search of Robust Measures of Generalization (En quête de mesures de généralisation robustes) par Gintare Karolina Dziugaite (autrice principale) et al.
    Un nouveau cadre pour l'évaluation empirique des théories de généralisation basé sur la robustesse distributionnelle
  3. Synboles: Probing Learning Algorithms with Synthetic Datasets (Sonder les algorithmes d’apprentissage avec des ensembles de données synthétiques) par Alexandre Lacoste (auteur principal) et al.
    Les synboles (symboles synthétiques) renvoient à un outil qui génère rapidement de nouveaux ensembles de données pour tester les algorithmes d’apprentissage dans diverses configurations d’apprentissage.
  4. Online Fast Adaptation and Knowledge Accumulation: a New Approach to Continual Learning (Adaptation rapide et accumulation de connaissances en ligne : une nouvelle approche de l’apprentissage continu) par Massimo Caccia et Pau Rodriguez (auteurs principaux) et al.
    Apprentissage continu en utilisant une extension de l’algorithme MAML pour apprendre des flux de tâches sans oublier les tâches précédentes, tout en s’adaptant aux nouvelles.
  5. Unsupervised Learning of Dense Visual Representations (Apprentissage non supervisé des représentations visuelles denses) par Pedro O. Pinheiro (auteur principal) et al.
    Une proposition pour l’utilisation de la représentation dense agnostique de la vue (VADeR) pour l’apprentissage non supervisé des représentations denses.

Une liste complète des articles acceptés pour NeurIPS 2020 par l’équipe de recherche d’Element AI et leurs collaborateurs est disponible ici : elementai.com/fr/recherche.

« Depuis 2016, notre équipe de recherche, reconnue dans le monde entier, s’est fortement concentrée sur la production de percées scientifiques de premier plan en matière d’IA et de réseaux neuronaux », a déclaré Valérie Bécaert, directrice de la recherche, des groupes scientifiques et de l’IA pour le climat chez Element AI. « Nous sommes très fiers d’avoir réussi à faire sélectionner 10 articles scientifiques pour NeurIPS 2020 et de nos collaborations avec des institutions prestigieuses comme MIT, Stanford et le MILA. Cela témoigne non seulement de la qualité de la recherche chez Element AI, mais aussi de notre engagement à combler le fossé entre la théorie et la portée en résolvant les problèmes du monde réel », a ajouté madame Bécaert.

Pour vous joindre à l’équipe d’Element AI, consultez les possibilités de carrière actuellement offertes à l’adresse suivante : elementai.com/fr/carriere.

EAI-NeurIPS

À propos d’Element AI

Element AI est un développeur mondial de logiciels d’intelligence artificielle (IA) qui aide les entreprises à opérationnaliser l’IA pour travailler plus judicieusement, ensemble. Fondée en 2016 par des entrepreneurs en série, dont JF Gagné et Yoshua Bengio, Ph. D., récipiendaire du prix A.M.Turing, Element AI transforme la recherche de pointe et l’expertise industrielle en solutions logicielles qui apprennent et s’améliorent de façon exponentielle. Son offre de bout en bout comprend des services de conseil, ainsi que des outils et des produits de mise en œuvre de l’IA. Element AI entretient des liens étroits avec le milieu universitaire par le biais de la recherche concertée et joue un rôle de premier plan dans l’élaboration des politiques concernant l’effet de la technologie sur la société. https://www.elementai.com/fr/.

© Element AI, Inc. 2020, tous droits réservés. Element AI® et le logo Element AI sont protégés par des marques de commerce d’Element AI Inc. et peuvent être enregistrés ou en attente d’enregistrement dans plusieurs juridictions. Les autres marques de commerce utilisées dans ce document peuvent être des marques de commerce des fabricants ou des fournisseurs de leurs produits respectifs.

Contact de presse pour Element AI
Kevin G Clark, directeur principal des RP
kevin.clark@elementai.com
Cell. : +1 514 754-0343

© 2020, Element AI Inc. Tous droits réservés. « Element AI », « EAI » et le logo d’EAI sont des marques de commerce d’Element AI, et peuvent être enregistrées ou en attente d’enregistrement.