Portrait de Guillaume Lajoie

Guillaume Lajoie

Membre académique principal

guillaume.lajoie@mila.quebec

Chaire en IA Canada-CIFAR

Professeur agrégé, Université de Montréal, Département de mathématiques et statistiques

Chercheur invité, Google

Sujets de recherche

Apprentissage de représentations

Apprentissage profond

Cognition

IA en santé

IA pour la science

Neurosciences computationnelles

Optimisation

Raisonnement

Réseaux de neurones récurrents

Systèmes dynamiques

Biographie

Guillaume Lajoie est professeur agrégé au Département de mathématiques et de statistiques (DMS) de l'Université de Montréal et membre académique principal de Mila – Institut québécois d’intelligence artificielle. Il est titulaire d'une chaire CIFAR (CCAI Canada) ainsi que d'une chaire de recherche du Canada (CRC) en calcul et interfaçage neuronaux.

Ses recherches sont positionnées à l'intersection de l'IA et des neurosciences où il développe des outils pour mieux comprendre les mécanismes d'intelligence communs aux systèmes biologiques et artificiels. Les contributions de son groupe de recherche vont des progrès des paradigmes d'apprentissage à plusieurs échelles pour les grands systèmes artificiels aux applications en neurotechnologie. Dr. Lajoie participe activement aux efforts de développement responsables de l'IA, cherchant à identifier les lignes directrices et les meilleures pratiques pour l'utilisation de l'IA dans la recherche et au-delà.

Étudiants actuels

Federico Arangath Joseph

Collaborateur·rice de recherche - ETH Zurich

Visiteur de recherche indépendant

Superviseur⋅e principal⋅e :

Sangnie Bhardwaj

Doctorat - UdeM

Co-superviseur⋅e :

Hugo Larochelle

Colin Bredenberg

Postdoctorat - UdeM

Co-superviseur⋅e :

Doctorat - UdeM

Postdoctorat - UdeM

Co-superviseur⋅e :

Doctorat - UdeM

Superviseur⋅e principal⋅e :

Doctorat - UdeM

Postdoctorat - McGill

Superviseur⋅e principal⋅e :

Stagiaire de recherche - McGill

Superviseur⋅e principal⋅e :

Maîtrise recherche - Polytechnique

Superviseur⋅e principal⋅e :

Marco Bonizzato

Nanda Harishankar Krishna

Doctorat - UdeM

Visiteur de recherche indépendant - McGill

Thomas Jiralerspong

Doctorat - UdeM

Co-superviseur⋅e :

Maîtrise recherche - UdeM

Co-superviseur⋅e :

Mathys Loiselle

Stagiaire de recherche - Concordia

Co-superviseur⋅e :

Doctorat - UdeM

Co-superviseur⋅e :

Abdel Mfougouon Njupoun

Doctorat - UdeM

Co-superviseur⋅e :

Doctorat - UdeM

Co-superviseur⋅e :

Alexandre Payeur

Collaborateur·rice de recherche - UdeM

Mohammad Pezeshki

Collaborateur·rice de recherche

Superviseur⋅e principal⋅e :

Collaborateur·rice alumni - McGill

Superviseur⋅e principal⋅e :

Maîtrise recherche - UdeM

Doctorat - UdeM

Superviseur⋅e principal⋅e :

Pravish Sainath

Doctorat - UdeM

Co-superviseur⋅e :

Visiteur de recherche indépendant - Champalimeau Institute for the Unknown

Postdoctorat - UdeM

Ezekiel Williams

Doctorat - UdeM

Billets de blogue

Représentation graphique d'un nerf vague

21 mai 2025

Apprentissage automatique pour la segmentation des différentes activations des fibres nerveuses à partir des signaux neuronaux du cerveau vers le corps

par

Olivier Tessier-Larivière

Pascal Fortier-Poisson

Guillaume Lajoie

Visuel abstrait

13 juin 2024

Que nous apprennent les distributions des coefficients synaptiques au sujet de l’apprentissage dans le cerveau ?

par

Jonathan Cornford

Arna Ghosh

Guillaume Lajoie

Publications

Learning Long-term Dependencies Using Cognitive Inductive Biases in Self-attention RNNs

Bhargav Kanuparthi

Guillaume Lajoie

Attention and self-attention mechanisms, inspired by cognitive processes, are now central to state-of-the-art deep learning on sequential ta… (voir plus)sks. However, most recent progress hinges on heuristic approaches that rely on considerable memory and computational resources that scale poorly. In this work, we propose a relevancy screening mechanism, inspired by the cognitive process of memory consolidation, that allows for a scalable use of sparse self-attention with recurrence. We use simple numerical experiments to demonstrate that this mechanism helps enable recurrent systems on generalization and transfer learning tasks. Based on our results, we propose a concrete direction of research to improve scalability and generalization of attentive recurrent networks.

Untangling tradeoffs between recurrence and self-attention in artificial neural networks

Bhargav Kanuparthi

Guillaume Lajoie