Samira Ebrahimi Kahou

Membre affilié

Professeure agrégée, University of Calgary, Départment de génie électrique et logiciel

Professeure associée, École de technologie suprérieure, Département de génie logiciel et technologies de l'information

Professeure associée, McGill University, École d'informatique

Sujets de recherche

Apprentissage automatique médical

Apprentissage de représentations

Apprentissage multimodal

Apprentissage par renforcement

Apprentissage profond

Traitement du langage naturel

Vision par ordinateur

Site web

Google Scholar

Biographie

Samira est professeure agrégée à l’Université de Calgary, à la Schulich School of Engineering. Elle est également professeure associée à l’École de technologie supérieure (ÉTS), au Département de génie logiciel et des technologies de l’information, ainsi qu’à l’Université McGill, à l’École d’informatique. Elle est membre académique de Mila - Institut québécois d’intelligence artificielle et détient une Chaire canadienne CIFAR en IA. Samira a obtenu son doctorat en génie informatique à Polytechnique Montréal/Mila, avec un prix pour la meilleure thèse du département. Elle a également travaillé comme chercheuse postdoctorale à l’École d’informatique de l’Université McGill et comme chercheuse à Microsoft Research Montréal.

Samira et son groupe de recherche travaillent à résoudre des problèmes fondamentaux de l’apprentissage de représentations pour la prise de décision, avec un accent particulier sur l’explicabilité, la généralisation et l’apprentissage efficace. Ses travaux ont été publiés dans des conférences et revues de premier plan telles que NeurIPS, ICLR, ICML, ICCV, CVPR, TMLR et CoRL. Samira a reçu en 2024 le prix d’excellence en recherche en début de carrière de la Schulich School of Engineering. Ses contributions marquantes en apprentissage multimodal ont été reconnues à deux reprises par les prix ACM ICMI Ten-Year Technical Impact Awards : finaliste en 2023 et lauréate en 2025.

Étudiants actuels

Ivan Anokhin

Doctorat - UdeM

Superviseur⋅e principal⋅e :

Doctorat - École de technologie suprérieure

Superviseur⋅e principal⋅e :

Doctorat - École de technologie suprérieure

Superviseur⋅e principal⋅e :

Somjit Nath

Doctorat - McGill

Co-superviseur⋅e :

Maîtrise recherche - École de technologie suprérieure

Site web

Google Scholar

Priyesh Vijayan

Doctorat - McGill

Superviseur⋅e principal⋅e :

Publications

Towards Deep Conversational Recommendations

Raymond Li

Samira Ebrahimi Kahou

Hannes Schulz

Vincent Michalski

Laurent Charlin

Chris Pal

There has been growing interest in using neural networks and deep learning techniques to create dialogue systems. Conversational recommendat… (voir plus)ion is an interesting setting for the scientific exploration of dialogue with natural language as the associated discourse involves goal-driven dialogue that often transforms naturally into more free-form chat. This paper provides two contributions. First, until now there has been no publicly available large-scale data set consisting of real-world dialogues centered around recommendations. To address this issue and to facilitate our exploration here, we have collected ReDial, a data set consisting of over 10,000 conversations centered around the theme of providing movie recommendations. We make this data available to the community for further research. Second, we use this dataset to explore multiple facets of conversational recommendations. In particular we explore new neural architectures, mechanisms and methods suitable for composing conversational recommendation systems. Our dataset allows us to systematically probe model sub-components addressing different parts of the overall problem domain ranging from: sentiment analysis and cold-start recommendation generation to detailed aspects of how natural language is used in this setting in the real world. We combine such sub-components into a full-blown dialogue system and examine its behavior.

arxiv.org

Theano: A Python framework for fast computation of mathematical expressions

Rami Al-rfou'

Guillaume Alain

Amjad Almahairi

Christof Angermüller

Dzmitry Bahdanau

Nicolas Ballas

Frédéric Bastien

Justin S. Bayer

A. Belikov

A. Belopolsky

J. Bergstra

Josh Bleecher Snyder

Nicolas Boulanger-Lewandowski

Xavier Bouthillier

Alexandre De Brébisson

Olivier Breuleux … (voir 92 de plus)

Paul F. Christiano

Myriam Côté

Julien Demouth

Sander Dieleman

M'elanie Ducoffe

Samira Ebrahimi Kahou

Dumitru Erhan

Ziye Fan

Orhan Firat

Mathieu Germain

Xavier Glorot

Ian J. Goodfellow

Matthew Graham

Balázs Hidasi

Arjun Jain

S'ebastien Jean

Kai Jia

Mikhail V. Korobov

Vivek Kulkarni

Alex Lamb

Pascal Lamblin

Eric P. Larsen

César Laurent

S. Lee

Simon-mark Lefrancois

Simon Lemieux

Nicholas Léonard

Zhouhan Lin

J. Livezey

Cory R. Lorenz

Jeremiah L. Lowin

Qianli M. Ma

Pierre-Antoine Manzagol

R. McGibbon

Mehdi Mirza

Alberto Orlandi

Chris Pal

Razvan Pascanu

Mohammad Pezeshki

Colin Raffel

Daniel Renshaw

Matthew David Rocklin

Adriana Romero Soriano

Markus Dr. Roth

Peter Sadowski

John Salvatier

François Savard

Jan Schlüter

John D. Schulman

Gabriel Schwartz

Iulian V. Serban

Dmitriy Serdyuk

Samira Shabanian

Etienne Simon

Sigurd Spieckermann

S. Subramanyam

Jakub Sygnowski

Jeremie Tanguay

Gijs van Tulder

Joseph P. Turian

Sebastian Urban

Dustin J. Webb

M. Willson

Lijun Xue

Theano is a Python library that allows to define, optimize, and evaluate mathematical expressions involving multi-dimensional arrays efficie… (voir plus)ntly. Since its introduction, it has been one of the most used CPU and GPU mathematical compilers - especially in the machine learning community - and has shown steady performance improvements. Theano is being actively and continuously developed since 2008, multiple frameworks have been built on top of it and it has been used to produce many state-of-the-art machine learning models. The present article is structured as follows. Section I provides an overview of the Theano software and its community. Section II presents the principal features of Theano and how to use them, and compares them with other similar projects. Section III focuses on recently-introduced functionalities and improvements. Section IV compares the performance of Theano against Torch7 and TensorFlow on several machine learning models. Section V discusses current limitations of Theano and potential ways of improving it.

2016-05-09

ArXiv (preprint)

arxiv.org