Portrait de Hugo Larochelle

Hugo Larochelle

Directeur scientifique, Équipe de direction
Professeur associé, Université de Montréal, Département d'informatique et de recherche opérationnelle
Professeur associé, McGill University, École d'informatique
Sujets de recherche
Apprentissage profond

Biographie

Hugo Larochelle est le directeur scientifique de Mila, l’un des plus importants centres de recherche en intelligence artificielle au monde. Avec une communauté de près de 2000 chercheurs et professionnels, l’institut s’est imposé comme un pilier de l'écosystème canadien de l’IA, avec un rayonnement qui s’étend bien au-delà des frontières du pays.

En tant que chercheur pionnier et leader industriel, il possède une connaissance unique tant sur les grands laboratoires de recherche en entreprise que sur l’excellence de la communauté universitaire canadienne en IA. Il a bâti ses assises académiques auprès de deux des « pères fondateurs » de l'intelligence artificielle : Yoshua Bengio et Geoffrey Hinton.

Au fil des ans, ses recherches ont mené à plusieurs découvertes que l'on retrouve dans les systèmes d'IA modernes. Ses travaux sur les auto-encodeurs débruiteurs (DAE) ont établi la reconstruction de données pures à partir de versions corrompues comme un paradigme évolutif pour l'apprentissage de représentations significatives à partir de grandes quantités de données non étiquetées. Grâce à des modèles tels que l'Estimateur de distribution autorégressif neuronal (NADE) et l'Auto-encodeur masqué pour l'estimation de distribution (MADE), il a contribué à populariser la modélisation autorégressive neuronales, désormais omniprésent dans l'IA générative. De plus, ses travaux sur l'apprentissage de nouvelles tâches sans données (Zero-Data Learning of New Tasks) ont introduit le concept, aujourd'hui courant, de l'apprentissage « zero-shot ».

Il a jeté un pont entre le milieu académique et l’industrie en cofondant la startup Whetlab, acquise par Twitter en 2015. Après un passage chez Twitter Cortex, il a été recruté pour diriger le laboratoire de recherche en IA de Google à Montréal (Google Brain), aujourd’hui intégré à Google DeepMind. Il demeure professeur associé à l'Université de Montréal et l’Université McGill, et est titulaire d'une chaire en IA Canada-CIFAR, formant ainsi la relève scientifique.

Parallèlement à ses fonctions de directeur scientifique chez Mila, il est également responsable scientifique chez Adaption Labs et conseille les start-ups Tiptree Systems et Prizmal.

Père de quatre enfants, Hugo Larochelle et sa conjointe, Angèle St-Pierre, ont également fait de multiples dons à l'Université de Montréal et à l'Université de Sherbrooke, particulièrement dans le domaine de l'IA pour l’environnement. Il a également fondé la conférence Techaide, mobilisant la communauté technologique de Montréal afin de collecter des fonds pour Centraide dans sa mission de lutte contre la pauvreté et l'exclusion sociale.

Étudiants actuels

Doctorat - UdeM
Superviseur⋅e principal⋅e :
Maîtrise professionnelle - McGill
Collaborateur·rice alumni - UdeM
Superviseur⋅e principal⋅e :
Visiteur de recherche indépendant - McGill
Postdoctorat - Polytechnique
Superviseur⋅e principal⋅e :

Publications

Brain Tumor Segmentation with Deep Neural Networks
Hierarchical Memory Networks
Memory networks are neural networks with an explicit memory component that can be both read and written to by the network. The memory is oft… (voir plus)en addressed in a soft way using a softmax function, making end-to-end training with backpropagation possible. However, this is not computationally scalable for applications which require the network to read from extremely large memories. On the other hand, it is well known that hard attention mechanisms based on reinforcement learning are challenging to train successfully. In this paper, we explore a form of hierarchical memory network, which can be considered as a hybrid between hard and soft attention memory networks. The memory is organized in a hierarchical structure such that reading from it is done with less computation than soft attention over a flat memory, while also being easier to train than hard attention over a flat memory. Specifically, we propose to incorporate Maximum Inner Product Search (MIPS) in the training and inference procedures for our hierarchical memory network. We explore the use of various state-of-the art approximate MIPS techniques and report results on SimpleQuestions, a challenging large scale factoid question answering task.