Portrait de Toby Dylan Hocking

Toby Dylan Hocking

Membre académique associé
Professeur agrégé, Université Sherbrooke, Département d'informatique
Sujets de recherche
Apprentissage automatique médical
Apprentissage profond
Biologie computationnelle
Exploration des données
Optimisation
Vision par ordinateur
Site web
Google Scholar

Biographie

Originaire de Californie et ayant fait ses études à Berkeley, Toby Dylan Hocking a obtenu son doctorat en mathématiques (apprentissage automatique) à l'École normale supérieure de Cachan (Paris, France) en 2012. Il a travaillé comme postdoc dans le laboratoire d'apprentissage automatique de Masashi Sugiyama à Tokyo Tech en 2013, et dans le laboratoire de génomique de Guillaume Bourque à l'Université McGill.

Il a été professeur adjoint menant à la permanence à la Northern Arizona University pendant 5 ans et aujourd'hui il est professeur agrégé permanent à l'Université de Sherbrooke, où il dirige le laboratoire de recherche LASSO (Learning Algorithms, Statistical Software, Optimization).Toby est également un membre académique associé à Mila - Institut québécois d'intelligence artificielle.

Il est l'auteur de dizaines de paquets R et a publié plus de 50 articles de recherche évalués par des pairs sur l'apprentissage automatique et les logiciels statistiques. Il a encadré plus de 30 étudiants dans des projets de recherche, ainsi que plus de 30 contributeurs de logiciels libres avec le projet R dans le cadre du Google Summer of Code.

Publications

Functional Labeled Optimal Partitioning
Jacob M. Kaufman
Alyssa J. Stenberg
Toby Dylan Hocking
2024-01-05
Journal of Computational And Graphical Statistics (publié)
doi.org
Deep Learning Approach for Changepoint Detection: Penalty Parameter Optimization
Tung L. Nguyen
Toby Dylan Hocking
Changepoint detection, a technique for identifying significant shifts within data sequences, is crucial in various fields such as finance, g… (voir plus)enomics, medicine, etc. Dynamic programming changepoint detection algorithms are employed to identify the locations of changepoints within a sequence, which rely on a penalty parameter to regulate the number of changepoints. To estimate this penalty parameter, previous work uses simple models such as linear models or decision trees. This study introduces a novel deep learning method for predicting penalty parameters, leading to demonstrably improved changepoint detection accuracy on large benchmark supervised labeled datasets compared to previous methods.
2024-01-01
arXiv.org (prépublication)
doi.org