Portrait de Sarath Chandar

Sarath Chandar

Membre académique principal

sarath.chandar@mila.quebec

Chaire en IA Canada-CIFAR

Professeur adjoint, Polytechnique Montréal, Département d'informatique et de génie logiciel

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

Indian Institute of Technology Madras

Sujets de recherche

Apprentissage automatique médical

Apprentissage de représentations

Apprentissage en ligne

Apprentissage par renforcement

Apprentissage profond

Optimisation

Réseaux de neurones récurrents

Traitement du langage naturel

Biographie

Sarath Chandar est professeur adjoint au départment de génie informatique et génie logiciel de Polytechnique Montréal, où il dirige le laboratoire de recherche Chandar. Il est également membre académique principal à Mila – Institut québécois d’intelligence artificielle, et titulaire d'une chaire en IA Canada-CIFAR et d'une Chaire de recherche du Canada en apprentissage machine permanent.

Ses recherches portent sur l'apprentissage tout au long de la vie, l'apprentissage profond, l'optimisation, l'apprentissage par renforcement et le traitement du langage naturel. Pour promouvoir la recherche sur l'apprentissage tout au long de la vie, Sarath Chandar a créé la Conférence sur les agents d'apprentissage tout au long de la vie (CoLLAs) en 2022 et a présidé le programme en 2022 et en 2023. Il est titulaire d'un doctorat de l'Université de Montréal et d'une maîtrise en recherche de l'Indian Institute of Technology Madras.

Étudiants actuels

Maîtrise recherche - UdeM

Antoine Clavaud

Maîtrise recherche - Polytechnique

Doctorat - Polytechnique

Superviseur⋅e principal⋅e :

Visiteur de recherche indépendant - no

Mathieu Duchesneau

Doctorat - UdeM

Naga Karthik Enamundram

Doctorat - Polytechnique

Superviseur⋅e principal⋅e :

Julien Cohen-Adad

emvnagakarthik@gmail.com

Prashant Govindarajan

Doctorat - Polytechnique

Doctorat - UdeM

Superviseur⋅e principal⋅e :

Collaborateur·rice alumni - UdeM

Superviseur⋅e principal⋅e :

Stagiaire de recherche - UdeM

Superviseur⋅e principal⋅e :

Maryam Hashemzadeh

Doctorat - None

David Heurtel--Depeiges

Doctorat - Polytechnique

Maîtrise recherche - UdeM

Visiteur de recherche indépendant - NA

Amir Ardalan Kalantari Dehaghi

Collaborateur·rice alumni

Maîtrise recherche - Polytechnique

Doctorat - Polytechnique

Co-superviseur⋅e :

andreas.madsen@mila.quebec

Pranshu Malviya

Doctorat - Polytechnique

Goncalo Mordido

Postdoctorat - Polytechnique

Hadi NekoeiQachkanloo

Doctorat - UdeM

Doctorat - UdeM

Doctorat - UdeM

Ali Rahimi-Kalahroudi

Maîtrise recherche - UdeM

Janarthanan Rajendran

Postdoctorat - UdeM

Co-superviseur⋅e :

Jarrid Rector-Brooks

Doctorat - UdeM

Superviseur⋅e principal⋅e :

Mathieu Reymond

Postdoctorat

Francois Rivest

Visiteur de recherche indépendant

Mohammad R. Samsami

Maîtrise recherche - UdeM

Maziar Sargordi

Doctorat - Polytechnique

Co-superviseur⋅e :

Maîtrise recherche - UdeM

Arjun Vaithilingam Sudhakar

Doctorat - Polytechnique

Abdelrahman Zayed

Doctorat - Polytechnique

Doctorat - Polytechnique

Doctorat - Polytechnique

Billets de blogue

1 octobre 2024

Comment expliquer l’IA et s’assurer que cette explication est vraie? Les modèles mesurables de fidélité vous indiquent comment y parvenir

par

Siva Reddy

Publications

Chaotic Continual Learning

Touraj Laleh

Mojtaba Faramarzi

Training a deep neural network requires the model to go over training data for several epochs and update network parameters. In continual le… (voir plus)arning, this process results in catastrophic forgetting which is one of the core issues of this domain. Most proposed approaches for this issue try to compensate for the effects of parameter updates in the batch incremental setup in which the training model visits a lot of samples for several epochs. However, it is not realistic to expect training data will always be fed to model in a batch incremental setup. This paper proposes a chaotic stream learner that mimics the chaotic behavior of biological neurons and does not updates network parameters. In addition, it can work with fewer samples compared to deep learning models on stream learning setup. Our experiments on MNIST, CIFAR10, and Omniglot show that the chaotic stream learner has less catastrophic forgetting by its nature in comparison to a CNN model in continual learning.

2020-07-13

ICML.cc/2020/Workshop/LifelongML (inconnu)

Environments for Lifelong Reinforcement Learning

Khimya Khetarpal

Shagun Sodhani

To achieve general artificial intelligence, reinforcement learning (RL) agents should learn not only to optimize returns for one specific ta… (voir plus)sk but also to constantly build more complex skills and scaffold their knowledge about the world, without forgetting what has already been learned. In this paper, we discuss the desired characteristics of environments that can support the training and evaluation of lifelong reinforcement learning agents, review existing environments from this perspective, and propose recommendations for devising suitable environments in the future.

2018-11-26

ArXiv (prépublication)