Le mois prochain, les chercheurs et chercheuses de Mila présenteront leurs travaux en grand nombre à l’occasion de la 38e Conférence internationale sur l’apprentissage automatique («International Conference on Machine Learning»). Cet événement annuel, qui se déroulera en ligne du 18 au 24 juillet, attire certains des esprits les plus brillants de la communauté de recherche sur l’apprentissage automatique.
Parmi les 5 513 soumissions de cette année, 1 184 publications ont été acceptées (21,5 %). De ce chiffre, 30 ont été co-rédigées par des membres de Mila.
Les travaux présentés par les chercheurs et chercheuses de Mila couvrent un large éventail de sujets et soulignent le potentiel de vaste portée des applications d’apprentissage automatique dans plusieurs domaines tels que la santé, la physique chimique et même l’industrie aérienne.
Ainsi, dans « Structured Convolutional Kernel Networks for Airline Crew Scheduling », le membre académique principal de Mila, Simon Lacoste-Julien, ainsi que ses collègues, présentent un tout nouveau modèle de prévision structurée : Structured convolutional kernel networks (Struct-CKN). Les premiers résultats où Struct-CKN s’est vu appliqué à un ensemble de données portant sur des vols avec correspondance révèlent qu’il peut être affiné pour améliorer le mode d’affectation des équipages d’une compagnie aérienne.
Jian Tang, qui est membre du corps professoral, ainsi que son équipe, ont conçu Local-instance and Global-semantic Learning (GraphLoG), un cadre unifié pour l’apprentissage auto-supervisé de la représentation de graphes entiers, proposant des prototypes hiérarchiques pour capturer les groupes sémantiques globaux. Leurs expériences vérifiées menées sur des ensembles de données de référence chimiques et biologiques démontrent l'efficacité de la méthode avec des implications potentielles pour de nombreuses tâches telles que la prévision des propriétés des molécules dans la découverte de médicaments et de matériaux.
À l'autre bout du spectre, dans « Continuous Coordination As a Realistic Scenario for Lifelong Learning », les professeurs universitaires de Mila Sarath Chandar et Aaron Courville, ainsi que le stagiaire de recherche Hadi Nekoei et l'étudiant à la maîtrise Akilesh Badrinaaraayanan, présentent Lifelong Hanabi : un banc de test d'apprentissage par renforcement multi-agent continu où chaque tâche est coordonnée avec un partenaire qui est un joueur expérimenté de Hanabi.
Voici la liste complète des publications acceptées, ainsi qu’un aperçu des ateliers et travaux dirigés co-rédigés et co-organisés par les membres de notre communauté :
Travaux dirigés
Continual learning with deep architectures
Vincenzo Lomonaco, Irina Rish
https://icml.cc/Conferences/2021/Schedule?showEvent=10833
Random Matrix Theory and ML (RMT+ML)
Fabian Pedregosa, Jeffrey Pennington, Thomas Trogdon, Courtney Paquette
https://icml.cc/Conferences/2021/Schedule?showEvent=10840
Orale
Directional Graph Networks
Dominique Beaini, Saro Passaro, Vincent Létourneau, Will Hamilton, Gabriele Corso, Pietro Lió
https://arxiv.org/abs/2010.02863
Can Subnetwork Structure Be the Key to Out-of-Distribution Generalization?
Dinghuai Zhang, Kartik Ahuja, Yilun Xu, Yisen Wang, Aaron Courville
https://arxiv.org/pdf/2106.02890.pdf
Out-of-Distribution Generalization via Risk Extrapolation (REx)
David Krueger, Ethan Caballero, Joern-Henrik Jacobsen, Amy Zhang, Jonathan Binas, Dinghuai Zhang, Rémi Le Priol, Aaron Courville
https://arxiv.org/abs/2003.00688
Learning Gradient Fields for Molecular Conformation Generation
Chence Shi, Shitong Luo, Minkai Xu, Jian Tang
https://arxiv.org/abs/2105.03902
On Disentangled Representations Learned from Correlated Data
Frederik Träuble, Elliot Creager, Niki Kilbertus, Francesco Locatello, Andrea Dittadi, Anirudh Goyal, Bernhard Schölkopf, Stefan Bauer
https://arxiv.org/abs/2006.07886
RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting
Soumyasundar Pal, Liheng Ma, Yingxue Zhang, Mark Coates
https://arxiv.org/abs/2106.06064
Spotlight
Aggregating from Multiple Target-Shifted Sources
Changjian Shui, Zijian Li, Jiaqi Li, Christian Gagné, Charles X. Ling, Boyu Wang
https://arxiv.org/abs/2105.04051
Continuous Coordination As a Realistic Scenario For Lifelong Learning
Hadi Nekoei, Akilesh Badrinaaraayanan, Aaron Courville, Sarath Chandar
https://arxiv.org/abs/2103.03216
Diffusion Earth Mover’s Distance and Distribution Embeddings
Alexander Tong, Guillaume Huguet, Amine Natik, Kincaid MacDonald, Manik Kuchroo, Ronald Coifman, Guy Wolf, Smita Krishnaswamy
https://arxiv.org/abs/2102.12833
Learning a Universal Template for Few-shot Dataset Generalization
Eleni Triantafillou, Hugo Larochelle, Richard Zemel, Vincent Dumoulin
https://arxiv.org/abs/2105.07029
Self-supervised Graph-level Representation Learning with Local and Global Structure
Minghao Xu, Hang Wang, Bingbing Ni, Hongyu Guo, Jian Tang
https://arxiv.org/pdf/2106.04113.pdf
Affine Invariant Analysis of Frank-Wolfe on Strongly Convex Sets
Thomas Kerdreux, Lewis Liu, Simon Lacoste-Julien, Damien Scieur
https://arxiv.org/abs/2011.03351
Infinite-Dimensional Optimization for Zero-Sum Games via Variational Transport
Lewis Liu, Yufeng Zhang, Zhuoran Yang, Reza Babanezhad, Zhaoran Wang
https://opt-ml.org/papers/2020/paper_92.pdf
Simultaneous Similarity-based Self-Distillation for Deep Metric Learning
Karsten Roth, Timo Milbich, Bjorn Ommer, Joseph Paul Cohen, Marzyeh Ghassemi
https://arxiv.org/abs/2009.08348
Structured Convolutional Kernel Networks for Airline Crew Scheduling
Yassine Yaakoubi, François Soumis, Simon Lacoste-Julien
https://arxiv.org/abs/2105.11646
An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming
Minkai Xu, Wujie Wang, Shitong Luo, Chence Shi, Yoshua Bengio, Rafael Gomez-Bombarelli, Jian Tang
https://arxiv.org/abs/2105.07246
Catastrophic Fisher Explosion: Early Phase Fisher Matrix Impacts Generalization
Stanislaw Jastrzebski, Devansh Arpit, Oliver Astrand, Giancarlo Kerg, Huan Wang, Caiming Xiong, Richard Socher, Kyunghyun Cho, Krzysztof J Geras
https://arxiv.org/abs/2012.14193
Preferential Temporal Difference Learning
https://arxiv.org/abs/2106.06508
Exploration in Approximate Hyper-State Space for Meta Reinforcement Learning
Luisa Zintgraf, Leo Feng, Cong Lu, Maximilian Igl, Kristian Hartikainen, Katja Hofmann, Shimon Whiteson
https://arxiv.org/abs/2010.01062
Equivariant Networks for Pixelized Spheres
Mehran Shakerinava, Siamak Ravanbakhsh
OptiDICE: Offline Policy Optimization via Stationary Distribution Correction Estimation
Jongmin Lee, Wonseok Jeon, Byung-Jun Lee, Joelle Pineau, Kee-Eung Kim
Beyond Variance Reduction: Understanding the True Impact of Baselines on Policy Optimization
Wesley Chung, Valentin Thomas, Marlos C. Machado, Nicolas Le Roux
https://arxiv.org/abs/2008.13773
Randomized Exploration in Reinforcement Learning with General Value Function Approximation
Haque Ishfaq, Qiwen Cui, Alex Ayoub, Viet Nguyen, Zhuoran Yang, Zhaoran Wang, Doina Precup, Lin Yang
Locally Persistent Exploration in Continuous Control Tasks with Sparse Rewards
Susan Amin, Maziar Gomrokchi, Hossein Aboutalebi, Harsh Satija, Doina Precup
https://arxiv.org/abs/2012.13658
Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction
Hangrui Bi, Hengyi Wang, Chence Shi, Connor Coley, Jian Tang, Hongyu Guo
https://icml.cc/Conferences/2021/ScheduleMultitrack?event=9427
Trajectory Diversity for Zero-Shot Coordination
Andrei Lupu, Brandon Cui, Hengyuan Hu, Jakob Foerster
https://icml.cc/Conferences/2021/ScheduleMultitrack?event=9434
Multi-Task Reinforcement Learning with Context-based Representations
Shagun Sodhani, Amy Zhang, Joelle Pineau
https://arxiv.org/pdf/2102.06177.pdf
Robust Representation Learning via Perceptual Similarity Metrics
Saeid A Taghanaki, Kristy Choi, Amir Hosein Khasahmadi, Anirudh Goyal
Vector Quantized Models for Planning
Sherjil Ozair, Yazhe Li, Ali Razavi, Ioannis Antonoglou, Aäron van den Oord, Oriol Vinyals
https://arxiv.org/abs/2106.04615
Efficient Deviation Types and Learning for Hindsight Rationality in Extensive-Form Games
Dustin Morrill, Ryan D'Orazio, Marc Lanctot, James Wright, Michael Bowling, Amy Greenwald
https://arxiv.org/abs/2102.06973
A Deep Reinforcement Learning Approach to Marginalized Importance Sampling with the Successor Representation
Scott Fujimoto, David Meger, Doina Precup
Ateliers
Tackling Climate Change with Machine Learning
Hari Prasanna Das, Meareg Hailemariam, Katarzyna Tokarska, Maria João Sousa, David Rolnick, Xiaoxiang Zhu, Yoshua Bengio
Unsupervised Reinforcement Learning
Feryal Behbahani, Joelle Pineau, Lerrel Pinto, Roberta Raileanu, Aravind Srinivas, Denis Yarats, Amy Zhang
INNF+: Invertible Neural Networks, Normalizing Flows, and Explicit Likelihood Models
Chin-Wei Huang, David Krueger, Rianne Van den Berg, George Papamakarios, Tian Qi Chen, Danilo J. Rezende
Theory and Foundation of Continual Learning
Thang Doan, Bogdan Mazoure, Amal Rannen Triki, Rahaf Aljundi, Vincenzo Lomonaco, Xu He, Arslan Chaudhry
Women in Machine Learning virtual Un-workshop
Wenshuo Guo, Amy Zhang, Nezihe Merve Gürel, Audrey Durand, Ehi Nosakhare, Christina Papadimitriou, Sarah Poole, Tatjana Chavdarova
