Portrait de Gauthier Gidel

Gauthier Gidel

Membre académique principal
gidelgau@mila.quebec
Chaire en IA Canada-CIFAR
Professeur adjoint, Université de Montréal, Département d'informatique et de recherche opérationnelle
Sujets de recherche
Apprentissage par renforcement
Modèles génératifs
Optimisation
Théorie de l'apprentissage automatique
Site web
Google Scholar

Biographie

Je suis professeur adjoint au Département d’informatique et de recherche opérationnelle (DIRO) de l'Université de Montréal et membre académique principal de Mila – Institut québécois d’intelligence artificielle. J'ai obtenu une bourse Borealis AI destinée aux étudiant·e·s des cycles supérieurs et je suis actuellement titulaire d'une chaire en IA Canada-CIFAR. J'ai travaillé chez DeepMind et Element AI, et j'ai récemment été un visiteur de longue durée au Simons Institute de l’Université de Californie à Berkeley. Mes intérêts de recherche se situent à l'intersection de la théorie des jeux, de l'optimisation et de l'apprentissage automatique.

Étudiants actuels

Sadhana Anand
Maîtrise recherche - UdeM
Site web
Manfred Diaz Cabrera
Collaborateur·rice de recherche - UdeM
Site web
Github
Google Scholar
David Dobre
Doctorat - UdeM
Nouha Dziri
Visiteur de recherche indépendant - N/A
Site web
Github
LinkedIn
Google Scholar
Damien Ferbach
Doctorat - UdeM
Co-superviseur⋅e :
Courtney Paquette
Site web
Google Scholar
Matthew Hough
Stagiaire de recherche - UdeM
Site web
Github
Google Scholar
Marco Jiralerspong
Doctorat - UdeM
Site web
Github
Google Scholar
Zichu Liu
Doctorat - UdeM
Co-superviseur⋅e :
Ioannis Mitliagkas
Andjela Mladenovic
Doctorat - UdeM
Co-superviseur⋅e :
Aaron Courville
Site web
Google Scholar
Mehrnaz Mofakhami
Collaborateur·rice de recherche - UdeM
Co-superviseur⋅e :
Ioannis Mitliagkas
Site web
Github
Google Scholar
Ailin Rasteh
Collaborateur·rice de recherche - UdeM
Github
Google Scholar
Leo Schwinn
Visiteur de recherche indépendant - Technical Univeristy of Munich
Site web
Github
Google Scholar
Tom Stanic
Stagiaire de recherche - UdeM
Site web
Github
Tommaso Tosato
Postdoctorat - UdeM
Github
Google Scholar
Danilo Vucetic
Doctorat - UdeM
Github
Google Scholar
Sophie Xhonneux
Doctorat - UdeM
Co-superviseur⋅e :
Jian Tang
Google Scholar
Bora Yongacoglu
Collaborateur·rice alumni - N/A

Publications

Frank-Wolfe Splitting via Augmented Lagrangian Method
Gauthier Gidel
Fabian Pedregosa
Simon Lacoste-Julien
Minimizing a function over an intersection of convex sets is an important task in optimization that is often much more challenging than mini… (voir plus)mizing it over each individual constraint set. While traditional methods such as Frank-Wolfe (FW) or proximal gradient descent assume access to a linear or quadratic oracle on the intersection, splitting techniques take advantage of the structure of each sets, and only require access to the oracle on the individual constraints. In this work, we develop and analyze the Frank-Wolfe Augmented Lagrangian (FW-AL) algorithm, a method for minimizing a smooth function over convex compact sets related by a "linear consistency" constraint that only requires access to a linear minimization oracle over the individual constraints. It is based on the Augmented Lagrangian Method (ALM), also known as Method of Multipliers, but unlike most existing splitting methods, it only requires access to linear (instead of quadratic) minimization oracles. We use recent advances in the analysis of Frank-Wolfe and the alternating direction method of multipliers algorithms to prove a sublinear convergence rate for FW-AL over general convex compact sets and a linear convergence rate for polytopes.
2017-12-31
AISTATS (publié)
doi.org
proceedings.mlr.press