Mila > Équipe > Siamak Ravanbakhsh

Siamak Ravanbakhsh

Membre académique principal
Professeur adjoint, McGill University, Chaire en IA Canada-CIFAR

Siamak Ravanbakhsh est professeur adjoint à l’École d’informatique de l’Université McGill depuis août 2019. Avant de se joindre à McGill et à Mila, Siamak a occupé un poste similaire à l’Université de la Colombie-Britannique. De 2015 à 2017, il a été stagiaire postdoctoral au Département d’apprentissage machine et à l’Institut de robotique de l’Université Carnegie Mellon et a obtenu son doctorat de l’Université de l’Alberta. Il s’intéresse largement aux problèmes de l’apprentissage de la représentation et de l’inférence dans l’IA. Ses recherches actuelles portent sur la symétrie comme biais inductif alternatif vers le même objectif d’apprentissage de la représentation efficace de l’échantillon.

 

Publications

2021-07

Equivariant Networks for Pixelized Spheres
Mehran Shakerinava and Siamak Ravanbakhsh

2021-05

Recovering the wedge modes lost to 21-cm foregrounds
Samuel Gagnon-Hartman, Yue Cui, Adrian Liu and Siamak Ravanbakhsh
Monthly Notices of the Royal Astronomical Society
(2021-05-25)
academic.oup.comPDF[Also on arXiv: Cosmology and Nongalactic Astrophysics (2021-05-25)]
Deep generative models for galaxy image simulations
François Lanusse, Rachel Mandelbaum, Siamak Ravanbakhsh, Chun-Liang Li, Peter Freeman and Barnabás Póczos
Monthly Notices of the Royal Astronomical Society
(2021-05-25)
academic.oup.comPDF
Deep generative models for galaxy image simulations
François Lanusse, Rachel Mandelbaum, Siamak Ravanbakhsh, Chun-Liang Li, Peter Freeman and Barnabás Póczos
Monthly Notices of the Royal Astronomical Society
(2021-05-21)
PDF

2020-07

Universal Equivariant Multilayer Perceptrons
Incidence Networks for Geometric Deep Learning
Marjan Albooyeh, Daniele Bertolini and Siamak Ravanbakhsh
ICML 2020
(2020-07-12)
icml.ccPDF

2020-06

Equivariant Maps for Hierarchical Structures.
Renhao Wang, Marjan Albooyeh and Siamak Ravanbakhsh
arXiv preprint arXiv:2006.03627
(2020-06-05)
ui.adsabs.harvard.eduPDF

2020-01

Designing networks to accurately learn 2D turbulence closures
Keaton Burns, Ronan Legin, Adrian Liu, Laurence Perreault-Levasseur, Yashar Hezaveh, Siamak Ravanbakhsh and Gregory Wagner
APS Division of Fluid Dynamics Meeting Abstracts
(2020-01-01)
ui.adsabs.harvard.edu
Equivariant Networks for Hierarchical Structures
Renhao Wang, Marjan Albooyeh and Siamak Ravanbakhsh
NEURIPS 2020
(2020-01-01)
papers.nips.ccPDF

2019-10

LRP2020: Machine Learning Advantages in Canadian Astrophysics
K.A. Venn, S. Fabbro, A Liu, Y. Hezaveh, L. Perreault-Levasseur, G. Eadie, S. Ellison, J. Woo, Jj. Kavelaars, K.M. Yi, R. Hlozek, J. Bovy, H. Teimoorinia, S. Ravanbakhsh and L. Spencer
arXiv preprint arXiv:1910.00774
(2019-10-02)
export.arxiv.orgPDF
Low-Dimensional Perturb-and-MAP Approach for Learning Restricted Boltzmann Machines
Jakub M. Tomczak, Szymon Zaręba, Siamak Ravanbakhsh and Russell Greiner
Neural Processing Letters
(2019-10-01)
link.springer.comPDF

2019-09

Equivariant Entity-Relationship Networks
Devon Graham and Siamak Ravanbakhsh
arXiv preprint arXiv:1903.09033
(2019-09-25)
ui.adsabs.harvard.eduPDF

2019-07

Improved Knowledge Graph Embedding Using Background Taxonomic Information
Bahare Fatemi, Siamak Ravanbakhsh and David Poole
AAAI 2019
(2019-07-17)
aaai.orgPDF

Publications collected and formatted using Paperoni