Christian Gagné

Biographie

Christian Gagné est professeur au Département de génie électrique et de génie informatique de l’Université Laval depuis 2008, et dirige l’Institut intelligence et données (IID). Il détient une chaire en IA Canada-CIFAR et est membre associé à Mila – Institut québécois d’intelligence artificielle. Il est également membre du Laboratoire de vision et systèmes numériques (LVSN), une composante du Centre de recherche en robotique, vision et intelligence machine (CeRVIM) ainsi que du Centre de recherche en données massives (CRDM) de l’Université Laval. Il fait partie des regroupements stratégiques REPARTI et UNIQUE du Fonds de recherche du Québec – Nature et technologies (FRQNT), du centre VITAM du Fonds de recherche du Québec – Santé (FRQS) et de l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA).

Ses intérêts de recherche portent sur l’élaboration de méthodes pour l’apprentissage automatique et l’optimisation stochastique. En particulier, il se consacre aux réseaux de neurones profonds, à l’apprentissage et au transfert de représentations, au méta-apprentissage ainsi qu’à l’apprentissage multitâche. Il s’intéresse également aux approches d’optimisation basées sur des modèles probabilistes ainsi qu’aux algorithmes évolutionnaires, entre autres pour l’optimisation boîte noire et la programmation automatique. Une part importante de ses travaux porte également sur la mise en pratique de ces techniques dans des domaines comme la vision numérique, la microscopie, la santé, l’énergie et les transports.

Étudiants actuels

Frédéric Beaupré

Doctorat - Université Laval

Catherine Bouchard

Doctorat - Université Laval

Olivier Bussière

Maîtrise recherche - Université Laval

olivier2202@gmail.com

Cynthia García Ybarra

Maîtrise recherche - Université Laval

Sara Karami

Doctorat - Université Laval

Benjamin Léger

Doctorat - Université Laval

Jonas Ngnawe

Doctorat - Université Laval

Fatemeh Nourilenjan Nokabadi

Doctorat - Université Laval

Doctorat - Université Laval

Adam Tupper

Doctorat - Université Laval

adam.tupper.1@ulaval.ca

Publications

On Learning Fairness and Accuracy on Multiple Subgroups

Changjian Shui

Gezheng Xu

Qi CHEN

Jiaqi Li

Charles Ling

Tal Arbel

Boyu Wang

We propose an analysis in fair learning that preserves the utility of the data while reducing prediction disparities under the criteria of g… (voir plus)roup sufficiency. We focus on the scenario where the data contains multiple or even many subgroups, each with limited number of samples. As a result, we present a principled method for learning a fair predictor for all subgroups via formulating it as a bilevel objective. Specifically, the subgroup specific predictors are learned in the lower-level through a small amount of data and the fair predictor. In the upper-level, the fair predictor is updated to be close to all subgroup specific predictors. We further prove that such a bilevel objective can effectively control the group sufficiency and generalization error. We evaluate the proposed framework on real-world datasets. Empirical evidence suggests the consistently improved fair predictions, as well as the comparable accuracy to the baselines.

openreview.net

On the benefits of representation regularization in invariance based domain generalization

Changjian Shui

Boyu Wang

2022-01-01

Machine Learning (publié)

On the benefits of representation regularization in invariance based domain generalization

Changjian Shui

Boyu Wang

2021-05-30

ArXiv (preprint)

Active Learning for Capturing Human Decision Policies in a Data Frugal Context

Loïc Grossetête

Alexandre Marois

Bénédicte Chatelais

Daniel Lafond

2021-01-01

International Conference on Machine Learning, Optimization, and Data Science (published)

Neuronal activity remodels the F-actin based submembrane lattice in dendrites but not axons of hippocampal neurons

Flavie Lavoie-Cardinal

Anthony Bilodeau

Mado Lemieux

Marc-André Gardner

Theresa Wiesner

Gabrielle Laramée

Paul De Koninck

2020-07-20

Scientific Reports (publié)

Deep Active Learning: Unified and Principled Method for Query and Training

Changjian Shui

Fan Zhou

Boyu Wang

2020-06-03

Proceedings of the Twenty Third International Conference on Artificial Intelligence and Statistics (publié)

proceedings.mlr.press

Deep Active Learning: Unified and Principled Method for Query and Training

Changjian Shui

Fan Zhou

Boyu Wang

In this paper, we are proposing a unified and principled method for both the querying and training processes in deep batch active learning. … (voir plus)We are providing theoretical insights from the intuition of modeling the interactive procedure in active learning as distribution matching, by adopting the Wasserstein distance. As a consequence, we derived a new training loss from the theoretical analysis, which is decomposed into optimizing deep neural network parameters and batch query selection through alternative optimization. In addition, the loss for training a deep neural network is naturally formulated as a min-max optimization problem through leveraging the unlabeled data information. Moreover, the proposed principles also indicate an explicit uncertainty-diversity trade-off in the query batch selection. Finally, we evaluate our proposed method on different benchmarks, consistently showing better empirical performances and a better time-efficient query strategy compared to the baselines.

2019-11-20

ArXiv (preprint)