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

Co-superviseur⋅e :

Julien Boussard

Postdoctorat - McGill

Collaborateur·rice de recherche - McGill

Juan Sebastián Cañas

Collaborateur·rice de recherche

Shahana Chatterjee

Collaborateur·rice de recherche - N/A

Co-superviseur⋅e :

Maîtrise recherche - McGill

Collaborateur·rice de recherche - Leipzig University

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

Sebastian Hickman

Collaborateur·rice de recherche - UdeM

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

Collaborateur·rice de recherche

Vincent Le Falher

Visiteur de recherche indépendant - Université de Montréal

Collaborateur·rice de recherche - University of East Anglia

Collaborateur·rice de recherche

Juan Nathaniel Nathaniel

Collaborateur·rice de recherche - Columbia university

jn2808@columbia.edu

Othmane Othmane

Maîtrise recherche - McGill

Arthur Ouaknine

Postdoctorat - McGill

Co-superviseur⋅e :

Étienne Laliberté

Doctorat - University of Waterloo

Co-superviseur⋅e :

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

luca.schmidt@uni-tuebingen.de

Collaborateur·rice de recherche

seth.pratinav@gmail.com

Ilija Trajković

Collaborateur·rice de recherche - Karlsruhe Institute of Technology

Doctorat - McGill

Postdoctorat - UdeM

Superviseur⋅e principal⋅e :

Collaborateur·rice de recherche

anna.viklund@mila.quebec

Catherine Villeneuve

Doctorat - McGill

Collaborateur·rice alumni - McGill

Publications

Understanding the Evolution of Linear Regions in Deep Reinforcement Learning

Setareh Cohan

Nam Hee Gordon Kim

Michiel van de Panne

Policies produced by deep reinforcement learning are typically characterised by their learning curves, but they remain poorly understood in … (voir plus)many other respects. ReLU-based policies result in a partitioning of the input space into piecewise linear regions. We seek to understand how observed region counts and their densities evolve during deep reinforcement learning using empirical results that span a range of continuous control tasks and policy network dimensions. Intuitively, we may expect that during training, the region density increases in the areas that are frequently visited by the policy, thereby affording fine-grained control. We use recent theoretical and empirical results for the linear regions induced by neural networks in supervised learning settings for grounding and comparison of our results. Empirically, we find that the region density increases only moderately throughout training, as measured along fixed trajectories coming from the final policy. However, the trajectories themselves also increase in length during training, and thus the region densities decrease as seen from the perspective of the current trajectory. Our findings suggest that the complexity of deep reinforcement learning policies does not principally emerge from a significant growth in the complexity of functions observed on-and-around trajectories of the policy.

Hidden Hypergraphs, Error-Correcting Codes, and Critical Learning in Hopfield Networks

Christopher Hillar

Tenzin Chan

Rachel Taubman

In 1943, McCulloch and Pitts introduced a discrete recurrent neural network as a model for computation in brains. The work inspired breakthr… (voir plus)oughs such as the first computer design and the theory of finite automata. We focus on learning in Hopfield networks, a special case with symmetric weights and fixed-point attractor dynamics. Specifically, we explore minimum energy flow (MEF) as a scalable convex objective for determining network parameters. We catalog various properties of MEF, such as biological plausibility, and then compare to classical approaches in the theory of learning. Trained Hopfield networks can perform unsupervised clustering and define novel error-correcting coding schemes. They also efficiently find hidden structures (cliques) in graph theory. We extend this known connection from graphs to hypergraphs and discover n-node networks with robust storage of 2Ω(n1−ϵ) memories for any ϵ>0. In the case of graphs, we also determine a critical ratio of training samples at which networks generalize completely.

2021-11-11

Entropy (publié)