Nicolas Chapados

Membre industriel associé

Professeur adjoint, Polytechnique Montréal, Département de mathématiques appliquées

Vice-président, Recherche, ServiceNow Research

Biographie

Nicolas Chapados est vice-président de la recherche chez ServiceNow Inc. Il est titulaire d'un diplôme d'ingénieur de l'Université McGill et d'un doctorat en informatique de l'Université de Montréal. Conjointement avec son directeur de thèse, Yoshua Bengio, il a fondé ApSTAT Technologies en 2001. ApSTAT est une entreprise de transfert technologique visant à développer en contexte industriel des idées de pointe en apprentissage automatique, dans des domaines tels que l'évaluation des risques d'assurance, la planification de la chaîne d'approvisionnement, les prévisions commerciales, la biotechnologie et la gestion des fonds de couverture. À partir de ces travaux, il a également cofondé des entreprises dérivées : Imagia, pour détecter et quantifier précocement le cancer grâce à l'analyse d'images médicales par l'IA; Element AI (acquise par ServiceNow en janvier 2021); et Chapados Couture Capital, un gestionnaire d'actifs quantitatifs. Ses intérêts de recherche comprennent la modélisation de séries temporelles, le traitement du langage naturel et la prise de décisions. Il est titulaire du titre d'analyste financier agréé (CFA).

Publications

N-BEATS: Neural basis expansion analysis for interpretable time series forecasting

Boris Oreshkin

Dmitri Carpov

Nicolas Chapados

Yoshua Bengio

We focus on solving the univariate times series point forecasting problem using deep learning. We propose a deep neural architecture based o… (voir plus)n backward and forward residual links and a very deep stack of fully-connected layers. The architecture has a number of desirable properties, being interpretable, applicable without modification to a wide array of target domains, and fast to train. We test the proposed architecture on several well-known datasets, including M3, M4 and TOURISM competition datasets containing time series from diverse domains. We demonstrate state-of-the-art performance for two configurations of N-BEATS for all the datasets, improving forecast accuracy by 11% over a statistical benchmark and by 3% over last year's winner of the M4 competition, a domain-adjusted hand-crafted hybrid between neural network and statistical time series models. The first configuration of our model does not employ any time-series-specific components and its performance on heterogeneous datasets strongly suggests that, contrarily to received wisdom, deep learning primitives such as residual blocks are by themselves sufficient to solve a wide range of forecasting problems. Finally, we demonstrate how the proposed architecture can be augmented to provide outputs that are interpretable without considerable loss in accuracy.

2019-05-24

ArXiv (prépublication)

arxiv.org