Portrait de Siamak Ravanbakhsh

Siamak Ravanbakhsh

Membre académique principal
siamak.ravanbakhsh@mila.quebec
Chaire en IA Canada-CIFAR
Professeur agrégé, McGill University
Sujets de recherche
Alignement de l'IA
Apprentissage actif
Apprentissage de représentations
Apprentissage par renforcement
Apprentissage profond
Apprentissage sur graphes
Généralisation
IA pour la science
Inférence bayésienne
Modèles génératifs
Modèles probabilistes
Raisonnement
Symétrie
Site web
Google Scholar

Biographie

Siamak Ravanbakhsh est professeur adjoint à l’École d’informatique de l’Université McGill depuis août 2019. Avant de se joindre à McGill et à Mila – Institut québécois d’intelligence artificielle, il a occupé un poste similaire à l’Université de la Colombie-Britannique. De 2015 à 2017, il a été stagiaire postdoctoral au Département d’apprentissage automatique et à l’Institut de robotique de l’Université Carnegie Mellon, et il a obtenu un doctorat de l’Université de l’Alberta. Il s’intéresse aux problèmes de l’apprentissage de la représentation et de l’inférence dans l’IA.

Ses recherches actuelles portent sur le rôle de la symétrie et de l’invariance dans l’apprentissage profond des représentations.

Étudiants actuels

Publications

Machine Learning Advantages in Canadian Astrophysics
Kim Venn
Sébastien Fabbro
Adrian Liu
Yashar Hezaveh
Laurence Perreault-Levasseur
Gwendolyn Eadie
Sara Ellison
Joanna Woo
JJ Kavelaars
Kwang Moo Yi
Renée Hložek
Jo Bovy
Hossen Teimoorinia
Siamak Ravanbakhsh
Locke Spencer
The application of machine learning (ML) methods to the analysis of astrophysical datasets is on the rise, particularly as the computing pow… (voir plus)er and complex algorithms become more powerful and accessible. As the field of ML enjoys a continuous stream of breakthroughs, its applications demonstrate the great potential of ML, ranging from achieving tens of millions of times increase in analysis speed (e.g., modeling of gravitational lenses or analysing spectroscopic surveys) to solutions of previously unsolved problems (e.g., foreground subtraction or efficient telescope operations). The number of astronomical publications that include ML has been steadily increasing since 2010.
With the advent of extremely large datasets from a new generation of surveys in the 2020s, ML methods will become an indispensable tool in astrophysics. Canada is an unambiguous world leader in the development of the field of machine learning, attracting large investments and skilled researchers to its prestigious AI Research Institutions. This provides a unique opportunity for Canada to also be a world leader in the application of machine learning in the field of astrophysics, and foster the training of a new generation of highly skilled researchers.
2018-12-31
Zenodo (publié)
doi.org
arxiv.org