Khimya Khetarpal

Khimya Khetarpal est chercheuse en intelligence artificielle chez Google Deepmind. Elle a obtenu son doctorat en informatique du Reasoning and Learning Lab de l’Université McGill et Mila, sous la direction de Doina Precup. Elle s’intéresse largement à l’intelligence artificielle et à l’apprentissage par renforcement. Ses intérêts de recherche actuels se concentrent sur la manière dont les agents d’apprentissage par renforcement apprennent à représenter efficacement les connaissances du monde, à planifier avec elles et à s’adapter aux changements au fil du temps. Le travail de Khimya a été publié dans des revues et des conférences de premier plan en intelligence artificielle, notamment NeurIPS, ICML, AAAI, AISTATS, ICLR, The Knowledge Engineering Review, ACM, JAIR et TMLR. Son travail a également été présenté dans le MIT Technology Review. Elle a été reconnue comme experte relectrice pour TMLR en 2023, nommée parmi les étoiles montantes en sciences de l’informatique et du génie électrique en 2020, finaliste du concours Three Minute Thesis (3MT) à l’AAAI en 2019, sélectionnée pour le Doctoral Consortium à l’AAAI en 2019, et a reçu le prix du meilleur article (3e prix) pour un atelier ICML 2018 sur l’apprentissage à vie. Tout au long de sa carrière, elle s’est impliquée comme mentor grâce à des initiatives telles que la co-fondation de l’initiative de conseil par les pairs de Mila, l’enseignement et l’assistance au laboratoire AI4Good, le bénévolat à Skype A Scientist, et le mentorat au sein de FIRST Robotics.

Recherche : Ma recherche vise à (1) comprendre le comportement intelligent qui relie à la fois l’action et la perception en s’appuyant sur des fondements théoriques de l’apprentissage par renforcement, et (2) à développer des agents d’intelligence artificielle capables de représenter efficacement les connaissances du monde, de planifier avec elles et de s’adapter aux changements au fil du temps grâce à l’apprentissage et à l’interaction. Actuellement, j’aborde cela avec les directions de recherche suivantes :
– Attention sélective pour une adaptation rapide et une robustesse
– Apprentissage des abstractions et des possibilités d’action
– Découverte et apprentissage par renforcement continu