Portrait de Maxime Gasse

Maxime Gasse

Membre industriel associé
Professeur associé, Polytechnique Montréal, Département de génie informatique et génie logiciel
Chercheur scientifique principal, ServiceNow
Sujets de recherche
Apprentissage par renforcement
Causalité
Modèles probabilistes
Site web
Google Scholar
LinkedIn
X

Biographie

Je suis chercheur principal chez ServiceNow à Montréal, où je fais de la recherche à l'intersection de l'inférence causale et de l'apprentissage par renforcement. Je suis professeur adjoint à Polytechnique Montréal et membre associé de Mila – Institut québécois d’intelligence artificielle.

Je suis fasciné par la question de l'intelligence artificielle : pouvons-nous construire des machines qui pensent? Je crois humblement que nos tentatives de concevoir des machines pensantes peuvent être un chemin vers une compréhension fondamentale de l'intelligence et de nous-mêmes. Actuellement, je m'intéresse à la question consistant à savoir si et comment les idées du domaine de la causalité peuvent contribuer à la conception d'agents d'apprentissage autonomes. Je suis à la recherche de stagiaires motivé·e·s, doté·e·s de solides compétences techniques et d'une expérience dans l'apprentissage par renforcement et/ou la causalité.

Étudiants actuels

Léo Boisvert
Doctorat - Polytechnique
Co-superviseur⋅e :
Quentin Cappart
Thibault Le Sellier De Chezelles
Maîtrise recherche - Polytechnique
Co-superviseur⋅e :
Quentin Cappart
Github
Google Scholar
Brice Rauby
Doctorat - Polytechnique
brice.rauby@polymlt.ca
Github
Google Scholar

Publications

On generalized surrogate duality in mixed-integer nonlinear programming
Benjamin Müller
Gonzalo Muñoz
Maxime Gasse
Ambros Gleixner
Andrea Lodi
Felipe Serrano
2019-12-01
ArXiv (preprint)
doi.org
arxiv.org
Exact Combinatorial Optimization with Graph Convolutional Neural Networks
Maxime Gasse
Didier Chételat
Nicola Ferroni
Laurent Charlin
Andrea Lodi
Combinatorial optimization problems are typically tackled by the branch-and-bound paradigm. We propose a new graph convolutional neural netw… (voir plus)ork model for learning branch-and-bound variable selection policies, which leverages the natural variable-constraint bipartite graph representation of mixed-integer linear programs. We train our model via imitation learning from the strong branching expert rule, and demonstrate on a series of hard problems that our approach produces policies that improve upon state-of-the-art machine-learning methods for branching and generalize to instances significantly larger than seen during training. Moreover, we improve for the first time over expert-designed branching rules implemented in a state-of-the-art solver on large problems. Code for reproducing all the experiments can be found at this https URL.
2019-01-01
NeurIPS (publié)
arxiv.org
arxiv.org