Portrait de Amin Emad

Amin Emad

Membre académique associé
Professeur agrégé, McGill University, Département de génie électrique et informatique
Sujets de recherche
Apprentissage de représentations
Apprentissage multimodal
Apprentissage profond
Apprentissage sur graphes
Biologie computationnelle
Causalité
Modèles génératifs
Modèles probabilistes
Modélisation moléculaire
Réseaux de neurones en graphes

Biographie

Amin Emad est professeur adjoint au Département de génie électrique et informatique de l'Université McGill. Il est également affilié à l'Institut du cancer Rosalind et Morris Goodman, à l'Initiative de McGill en médecine computationnelle (MiCM), au programme des Sciences quantitatives de la vie et aux Laboratoires Meakins-Christie de l'Université McGill. Il est aussi membre associé de Mila – Institut québécois d'intelligence artificielle. Avant de se joindre à McGill, il a été associé de recherche postdoctorale au centre d'excellence KnowEnG des National Institutes of Health (NIH) en informatique des mégadonnées, un centre lié au Département d'informatique et à l'Institut de biologie génomique (IGB) de l'Université de l'Illinois à Urbana-Champaign (UIUC). Il a obtenu un doctorat de l'UIUC en 2015, une maîtrise de l'Université de l'Alberta en 2009 et une licence de l'Université technologique Sharif en 2007. Ses recherches se situent à l'intersection de l'IA et de la biologie informatique.

Étudiants actuels

Shayan Hajhashemi
Doctorat - McGill
Github
David Earl Hostallero
Doctorat - McGill
William Ma
Maîtrise recherche - McGill
Github
Safyan Aman Memon
Maîtrise recherche - McGill
Google Scholar
Ali Saberi
Doctorat - McGill
Cedrique Shum-Tim
Doctorat - McGill
Github
Kiri Stern
Doctorat - McGill
Chen Su
Doctorat - McGill
Joseph Szymborski
Doctorat - McGill
Site web
Github
Yazdan Zinati
Maîtrise recherche - McGill
hi@yazdan.me
Site web
Github
Google Scholar

Publications

Poisson Group Testing: A Probabilistic Model for Boolean Compressed Sensing
Amin Emad
Olgica Milenkovic
We introduce a novel probabilistic group testing framework, termed Poisson group testing, in which the number of defectives follows a right-… (voir plus)truncated Poisson distribution. The Poisson model has a number of new applications, including dynamic testing with diminishing relative rates of defectives. We consider both nonadaptive and semi-adaptive identification methods. For nonadaptive methods, we derive a lower bound on the number of tests required to identify the defectives with a probability of error that asymptotically converges to zero; in addition, we propose test matrix constructions for which the number of tests closely matches the lower bound. For semiadaptive methods, we describe a lower bound on the expected number of tests required to identify the defectives with zero error probability. In addition, we propose a stage-wise reconstruction algorithm for which the expected number of tests is only a constant factor away from the lower bound. The methods rely only on an estimate of the average number of defectives, rather than on the individual probabilities of subjects being defective.
2014-10-20
ArXiv (prépublication)
doi.org
arxiv.org