Portrait de Antoine Lesage-Landry

Antoine Lesage-Landry

Membre académique associé
Professeur adjoint, Polytechnique Montréal, Département de génie électrique

Biographie

Je suis professeur adjoint au Département de génie électrique de Polytechnique Montréal. J’ai obtenu un baccalauréat en génie physique de Polytechnique Montréal en 2015 et un doctorat en génie électrique de l’Université de Toronto en 2019. Avant de me joindre à Polytechnique Montréal, j’ai été chercheur postdoctoral au Energy & Resources Group de l’Université de la Californie à Berkeley de 2019 à 2020. Mes champs d’intérêt en recherche incluent l’optimisation, l’apprentissage en ligne et l’apprentissage automatique ainsi que leurs applications aux réseaux électriques utilisant de l’énergie renouvelable.

Étudiants actuels

Maîtrise recherche - Polytechnique Montréal
Maîtrise recherche - Polytechnique Montréal
Maîtrise recherche - Polytechnique Montréal
Doctorat - Polytechnique Montréal
Maîtrise recherche - Polytechnique Montréal
Maîtrise recherche - Polytechnique Montréal
Doctorat - Polytechnique Montréal
Maîtrise recherche - Polytechnique Montréal
Co-superviseur⋅e :
Maîtrise recherche - Polytechnique Montréal
Maîtrise recherche - Polytechnique Montréal
Co-superviseur⋅e :
Maîtrise recherche - Polytechnique Montréal
Doctorat - Polytechnique Montréal
Maîtrise recherche - Polytechnique Montréal
Maîtrise recherche - Polytechnique Montréal
Stagiaire de recherche - Polytechnique Montréal Paris
Maîtrise recherche - Polytechnique Montréal

Publications

An Online Newton’s Method for Time-Varying Linear Equality Constraints
Jean-Luc Lupien
We consider online optimization problems with time-varying linear equality constraints. In this framework, an agent makes sequential decisio… (voir plus)ns using only prior information. At every round, the agent suffers an environment-determined loss and must satisfy time-varying constraints. Both the loss functions and the constraints can be chosen adversarially. We propose the Online Projected Equality-constrained Newton Method (OPEN-M) to tackle this family of problems. We obtain sublinear dynamic regret and constraint violation bounds for OPEN-M under mild conditions. Namely, smoothness of the loss function and boundedness of the inverse Hessian at the optimum are required, but not convexity. Finally, we show OPEN-M outperforms state-of-the-art online constrained optimization algorithms in a numerical network flow application.