Portrait de Pablo Samuel Castro

Pablo Samuel Castro

Membre industriel principal
Professeur associé, Université de Montréal, Département d'informatique et de recherche opérationnelle
Chercheur scientifique, Google DeepMind
Sujets de recherche
Apprentissage par renforcement
Site web
Google Scholar
LinkedIn
X

Biographie

Pablo Samuel Castro est né et a grandi à Quito, en Équateur, et a déménagé à Montréal après l'école secondaire pour étudier à l’Université McGill. Il y a obtenu un doctorat en se concentrant sur l'apprentissage par renforcement, sous la supervision de Doina Precup et Prakash Panangaden. Il est chercheur scientifique à Google DeepMind à Montréal. Il s’intéresse particulièrement à la recherche fondamentale sur l'apprentissage par renforcement et plaide régulièrement en faveur d'une augmentation de la représentation des personnes d’origine latino-américaine dans la communauté de recherche. Il est également professeur adjoint au Département d'informatique et de recherche opérationnelle (DIRO) de l'Université de Montréal. Outre son intérêt pour le codage, l'intelligence artificielle et les mathématiques, Pablo Samuel est un musicien actif.

Étudiants actuels

Roger Creus-Castanyer
Doctorat - UdeM
Superviseur⋅e principal⋅e :
Glen Berseth
Site web
Github
Google Scholar
Julian Dierkes
Visiteur de recherche indépendant - RWTH Aachen University
Site web
Github
Google Scholar
Nicola Gauthier
Maîtrise recherche - UdeM
Olya Mastikhina
Doctorat - UdeM
Walter Mayor
Collaborateur·rice de recherche
Site web
Github
Google Scholar
Johan Samir Obando Ceron
Doctorat - UdeM
Superviseur⋅e principal⋅e :
Aaron Courville
Site web
Github
Google Scholar
Gandharv Patil
Doctorat - McGill
Superviseur⋅e principal⋅e :
Doina Precup
Site web
Github
Google Scholar
Ali Saheb Pasand
Doctorat - McGill
Superviseur⋅e principal⋅e :
Blake Richards
Dhruv Sreenivas
Doctorat - UdeM
Site web
Github

Publications

Dopamine: A Research Framework for Deep Reinforcement Learning
Pablo Samuel Castro
Subhodeep Moitra
Carles Gelada
Saurabh Kumar
Bellemare Marc-Emmanuel
Deep reinforcement learning (deep RL) research has grown significantly in recent years. A number of software offerings now exist that provid… (voir plus)e stable, comprehensive implementations for benchmarking. At the same time, recent deep RL research has become more diverse in its goals. In this paper we introduce Dopamine, a new research framework for deep RL that aims to support some of that diversity. Dopamine is open-source, TensorFlow-based, and provides compact and reliable implementations of some state-of-the-art deep RL agents. We complement this offering with a taxonomy of the different research objectives in deep RL research. While by no means exhaustive, our analysis highlights the heterogeneity of research in the field, and the value of frameworks such as ours.
2018-09-26
ArXiv (prépublication)
openreview.net
openreview.net