Portrait de Joelle Pineau

Joelle Pineau

Membre académique principal
jpineau@mila.quebec
Chaire en IA Canada-CIFAR
Professeure agrégée, McGill University, École d'informatique
Co-directrice générale, Meta AI (FAIR - Facebook AI Research)
Sujets de recherche
Apprentissage automatique médical
Apprentissage par renforcement
Traitement du langage naturel
Site web
Google Scholar
LinkedIn
X

Biographie

Joelle Pineau est professeure agrégée et titulaire d’une bourse William Dawson à l'Université McGill, où elle codirige le Laboratoire de raisonnement et d'apprentissage. Elle est membre du corps professoral de Mila – Institut québécois d’intelligence artificielle et titulaire d'une chaire en IA Canada-CIFAR. Elle est également responsable de l'IA chez Cohere. Elle détient un baccalauréat ès sciences en génie de l'Université de Waterloo et une maîtrise et un doctorat en robotique de l'Université Carnegie Mellon.

Ses recherches sont axées sur le développement de nouveaux modèles et algorithmes pour la planification et l'apprentissage dans des domaines complexes partiellement observables. Elle travaille également sur l'application de ces algorithmes à des problèmes complexes en robotique, dans les soins de santé, dans les jeux et dans les agents conversationnels. Elle est membre du comité de rédaction du Journal of Artificial Intelligence Research et du Journal of Machine Learning Research, et est actuellement présidente de l'International Machine Learning Society. Elle a été lauréate de la bourse commémorative E. W. R. Steacie du Conseil de recherches en sciences naturelles et en génie (CRSNG) 2018 et du Prix du Gouverneur général pour l'innovation 2019. Elle est membre de l'Association pour l'avancement de l'intelligence artificielle (AAAI), membre principal de l'Institut canadien de recherches avancées (CIFAR) et membre de la Société royale du Canada.

Étudiants actuels

Arnaud Bergeron
Maîtrise recherche - UdeM
Superviseur⋅e principal⋅e :
Nicolas Le Roux
arnaud.bergeron1@mila.quebec
Ximeng Mao
Doctorat - UdeM
Superviseur⋅e principal⋅e :
Guillaume Lajoie
ximeng.mao@mila.quebec
Site web
Github
Google Scholar
Maxime Wabartha
Collaborateur·rice alumni - McGill
wabarthm@mila.quebec

Publications

Multitask Spectral Learning of Weighted Automata.
Guillaume Rabusseau
Borja Balle
Joelle Pineau
2016-12-31
Neural Information Processing Systems (inconnu)
dblp.uni-trier.de
Building End-To-End Dialogue Systems Using Generative Hierarchical Neural Network Models
Iulian V. Serban
Alessandro Sordoni
Yoshua Bengio
Aaron Courville
Joelle Pineau
We investigate the task of building open domain, conversational dialogue systems based on large dialogue corpora using generative models. Ge… (voir plus)nerative models produce system responses that are autonomously generated word-by-word, opening up the possibility for realistic, flexible interactions. In support of this goal, we extend the recently proposed hierarchical recurrent encoder-decoder neural network to the dialogue domain, and demonstrate that this model is competitive with state-of-the-art neural language models and back-off n-gram models. We investigate the limitations of this and similar approaches, and show how its performance can be improved by bootstrapping the learning from a larger question-answer pair corpus and from pretrained word embeddings.
2016-03-04
Proceedings of the AAAI Conference on Artificial Intelligence (publié)
doi.org
arxiv.org
Assessing Generalization in TD methods for Deep Reinforcement Learning
Emmanuel Bengio
Doina Precup
Joelle Pineau
2010-12-31
International Conference on Computational Intelligence, Modelling and Simulation (publié)
openreview.net
openreview.net
Representation of Reinforcement Learning Policies in Reproducing Kernel Hilbert Spaces
Bogdan Mazoure
Thang Doan
Tianyu Li
Vladimir Makarenkov
Joelle Pineau
Doina Precup
Guillaume Rabusseau
We propose a general framework for policy representation for reinforcement learning tasks. This framework involves finding a low-dimensional… (voir plus) embedding of the policy on a reproducing kernel Hilbert space (RKHS). The usage of RKHS based methods allows us to derive strong theoretical guarantees on the expected return of the reconstructed policy. Such guarantees are typically lacking in black-box models, but are very desirable in tasks requiring stability. We conduct several experiments on classic RL domains. The results confirm that the policies can be robustly embedded in a low-dimensional space while the embedded policy incurs almost no decrease in return.
2010-12-31
International Conference on Computational Intelligence, Modelling and Simulation (publié)
doi.org
arxiv.org
Recent Advances in Reinforcement Learning
Joelle Pineau
2007-12-31
Lecture Notes in Computer Science (publié)
doi.org