Portrait de Jian Tang

Jian Tang

Membre académique principal

tangjian@mila.quebec

Chaire en IA Canada-CIFAR

Professeur agrégé, HEC Montréal, Département de sciences de la décision

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

Fondateur, BioGeometry

Sujets de recherche

Apprentissage profond

Biologie computationnelle

Modèles génératifs

Modélisation moléculaire

Réseaux de neurones en graphes

Biographie

Jian Tang est professeur agrégé au département de sciences de la décision de HEC. Il est aussi professeur associé au département informatique et recherche opérationnelle (DIRO) de l'Université de Montréal et un membre académique principal à Mila – Institut québécois d’intelligence artificielle. Il est titulaire d'une chaire de recherche en IA Canada-CIFAR et le fondateur de BioGeometry, une entreprise en démarrage spécialisée dans l'IA générative pour la découverte d'anticorps. Ses principaux domaines de recherche sont les modèles génératifs profonds, l'apprentissage automatique des graphes et leurs applications à la découverte de médicaments. Il est un leader international dans le domaine de l'apprentissage automatique des graphes, et son travail représentatif sur l'apprentissage de la représentation des nœuds, LINE, a été largement reconnu et cité plus de 5 000 fois. Il a également réalisé de nombreux travaux pionniers sur l'IA pour la découverte de médicaments, notamment le premier cadre d'apprentissage automatique à source ouverte pour la découverte de médicaments, TorchDrug et TorchProtein.

Étudiants actuels

Doctorat - UdeM

huiyu.cai@mila.quebec

Collaborateur·rice de recherche

Farzaneh Heidari

Doctorat - UdeM

Superviseur⋅e principal⋅e :

Guillaume Rabusseau

Stagiaire de recherche - McGill

stephen.lu@mila.quebec

Doctorat - UdeM

Doctorat - UdeM

Collaborateur·rice de recherche

Sophie Xhonneux

Doctorat - UdeM

Superviseur⋅e principal⋅e :

lpxhonneux@gmail.com

Collaborateur·rice de recherche

Doctorat - UdeM

Doctorat - UdeM

Doctorat - UdeM

Doctorat - UdeM

Doctorat - UdeM

zhaocheng.zhu@umontreal.ca

Publications

Contextualized Non-local Neural Networks for Sequence Learning

Pengfei Liu

Shuaichen Chang

Xuanjing Huang

Recently, a large number of neural mechanisms and models have been proposed for sequence learning, of which selfattention, as exemplified by… (voir plus) the Transformer model, and graph neural networks (GNNs) have attracted much attention. In this paper, we propose an approach that combines and draws on the complementary strengths of these two methods. Specifically, we propose contextualized non-local neural networks (CN3), which can both dynamically construct a task-specific structure of a sentence and leverage rich local dependencies within a particular neighbourhood.Experimental results on ten NLP tasks in text classification, semantic matching, and sequence labelling show that our proposed model outperforms competitive baselines and discovers task-specific dependency structures, thus providing better interpretability to users.

2019-07-17

Proceedings of the AAAI Conference on Artificial Intelligence (publié)

Session-Based Social Recommendation via Dynamic Graph Attention Networks

Weiping Song

Zhiping Xiao

Yifan Wang

Laurent Charlin

Ming Zhang

Online communities such as Facebook and Twitter are enormously popular and have become an essential part of the daily life of many of their … (voir plus)users. Through these platforms, users can discover and create information that others will then consume. In that context, recommending relevant information to users becomes critical for viability. However, recommendation in online communities is a challenging problem: 1) users' interests are dynamic, and 2) users are influenced by their friends. Moreover, the influencers may be context-dependent. That is, different friends may be relied upon for different topics. Modeling both signals is therefore essential for recommendations. We propose a recommender system for online communities based on a dynamic-graph-attention neural network. We model dynamic user behaviors with a recurrent neural network, and context-dependent social influence with a graph-attention neural network, which dynamically infers the influencers based on users' current interests. The whole model can be efficiently fit on large-scale data. Experimental results on several real-world data sets demonstrate the effectiveness of our proposed approach over several competitive baselines including state-of-the-art models.

2019-01-30

Proceedings of the Twelfth ACM International Conference on Web Search and Data Mining (publié)