Portrait de David Rolnick

David Rolnick

Membre académique principal

drolnick@mila.quebec

Chaire en IA Canada-CIFAR

Professeur adjoint, McGill University, École d'informatique

Professeur associé, Université de Montréal, Département d'informatique et de recherche opérationnelle

Sujets de recherche

Apprentissage automatique appliqué

Apprentissage automatique dans la modélisation climatique

Apprentissage automatique et changement climatique

Apprentissage automatique pour les sciences physiques

Biodiversité

Changement climatique

Climat

Détection hors distribution (OOD)

IA et durabilité

IA pour la science

IA pour le changement climatique

Modélisation climatique

Prévision des séries temporelles

Réduction d'échelle des variables climatiques

Science du climat

Surveillance des forêts

Systèmes de gestion de l'énergie des bâtiments

Systèmes énergétiques

Technologie de conservation

Télédétection

Télédétection par satellite

Théorie de l'apprentissage automatique

Végétation

Vision par ordinateur

Biographie

David Rolnick est professeur adjoint et titulaire d’une chaire en IA Canada-CIFAR à l'École d'informatique de l'Université McGill et membre académique principal de Mila – Institut québécois d’intelligence artificielle. Ses travaux portent sur les applications de l'apprentissage automatique dans la lutte contre le changement climatique. Il est cofondateur et président de Climate Change AI et codirecteur scientifique de Sustainability in the Digital Age. David Rolnick a obtenu un doctorat en mathématiques appliquées du Massachusetts Institute of Technology (MIT). Il a été chercheur postdoctoral en sciences mathématiques à la National Science Foundation (NSF), chercheur diplômé à la NSF et boursier Fulbright. Il a figuré sur la liste des « 35 innovateurs de moins de 35 ans » de la MIT Technology Review en 2021.

Étudiants actuels

Collaborateur·rice de recherche

Benjamin Akera Binen

Collaborateur·rice alumni - McGill

Collaborateur·rice de recherche - Cambridge University

Julien Boussard

Postdoctorat - McGill

Collaborateur·rice de recherche - McGill

Shahana Chatterjee

Collaborateur·rice de recherche - N/A

Doctorat - McGill

Collaborateur·rice de recherche - Leipzig University

Othmane Echchabi

Maîtrise recherche - McGill

Amna El-Mustafa

Collaborateur·rice de recherche

Mohamed Elabbas

Collaborateur·rice de recherche

Collaborateur·rice de recherche

Visiteur de recherche indépendant - Politecnico di Milano

Visiteur de recherche indépendant

Christina Humer

Collaborateur·rice de recherche - Johannes Kepler University

Christina Isaicu Isaicu

Collaborateur·rice de recherche - University of Amsterdam

Maîtrise recherche - McGill

Julia Kaltenborn

Doctorat - McGill

Doctorat - McGill

Vincent Le Falher

Visiteur de recherche indépendant - Université de Montréal

Pierre-Louis Lemaire

Collaborateur·rice de recherche - Polytechnique Montréal

Superviseur⋅e principal⋅e :

Alex Hernandez-Garcia

Collaborateur·rice de recherche - University of East Anglia

Collaborateur·rice de recherche

Juan Nathaniel Nathaniel

Collaborateur·rice de recherche - Columbia university

Arthur Ouaknine

Postdoctorat - McGill

Co-superviseur⋅e :

Étienne Laliberté

Collaborateur·rice de recherche - University of Waterloo

Venkatesh Ramesh

Collaborateur·rice alumni - UdeM

Maîtrise recherche - McGill

Collaborateur·rice de recherche - Columbia university

Maîtrise recherche - McGill

Luca Marie Schmidt

Collaborateur·rice de recherche - University of Tübingen

Visiteur de recherche indépendant

Ilija Trajković

Collaborateur·rice de recherche - Karlsruhe Institute of Technology

Doctorat - McGill

Collaborateur·rice alumni - UdeM

Collaborateur·rice de recherche

Catherine Villeneuve

Doctorat - McGill

Collaborateur·rice de recherche - Technical University of Munich

Billets de blogue

diagram illustrating how the AI foundation model for Earth observation, Galileo, works

21 octobre 2025

Démocratiser l'accès aux données satellitaires grâce à l'IA

par

Publications

Geo-Spatiotemporal Features and Shape-Based Prior Knowledge for Fine-grained Imbalanced Data Classification

Charles (A.) Kantor

Léonard Boussioux

Emmanuel Jehanno

Emmanuel Jehanno

Alexandra Luccioni

Hugues Talbot

Fine-grained classification aims at distinguishing between items with similar global perception and patterns, but that differ by minute deta… (voir plus)ils. Our primary challenges come from both small inter-class variations and large intra-class variations. In this article, we propose to combine several innovations to improve fine-grained classification within the use-case of wildlife, which is of practical interest for experts. We utilize geo-spatiotemporal data to enrich the picture information and further improve the performance. We also investigate state-of-the-art methods for handling the imbalanced data issue.

2020-12-31

arXiv (prépublication)

Reverse-engineering deep ReLU networks

Konrad Paul Kording

It has been widely assumed that a neural network cannot be recovered from its outputs, as the network depends on its parameters in a highly … (voir plus)nonlinear way. Here, we prove that in fact it is often possible to identify the architecture, weights, and biases of an unknown deep ReLU network by observing only its output. Every ReLU network defines a piecewise linear function, where the boundaries between linear regions correspond to inputs for which some neuron in the network switches between inactive and active ReLU states. By dissecting the set of region boundaries into components associated with particular neurons, we show both theoretically and empirically that it is possible to recover the weights of neurons and their arrangement within the network, up to isomorphism.

2020-11-20

Proceedings of the 37th International Conference on Machine Learning (publié)

proceedings.mlr.press

proceedings.mlr.press