Les discussions de l'heure du thé 2020 : Huitième semaine

Maintenant que les 2020 Tea Time Talks sont sur Youtube, vous pouvez toujours avoir le temps de prendre le thé avec Amii et le laboratoire RLAI! Animées par le Dr Richard S. Sutton, conseiller scientifique en chef d'Amii, ces conférences de 20 minutes sur des sujets techniques sont données par des étudiants, des professeurs et des invités. Les conférences sont une manière détendue et informelle d'entendre les leaders de l'IA discuter des futures lignes de recherche qu'ils pourraient explorer, avec des sujets allant des idées qui commencent à prendre racine aux projets entièrement terminés.

La huitième semaine des discussions de l'heure du thé :

Khurram Javed : Apprendre des modèles causaux en ligne

L'apprentissage en ligne est une propriété essentielle d'un système intelligent. Contrairement à un système appris hors ligne, un système d'apprentissage en ligne peut s'adapter aux changements du monde. De plus, si l'apprenant a une capacité limitée, l'apprentissage en ligne peut atteindre de meilleures performances même dans un monde stationnaire. Cependant, l'apprentissage en ligne n'a pas encore connu le même succès que l'apprentissage par lots au cours de la dernière décennie - plus précisément, nous n'avons pas encore vu de méthode évolutive d'apprentissage de représentation en ligne.

Dans cet exposé, Khurram donne une vue d'ensemble du problème de l'apprentissage de représentation en ligne et présente ses travaux récents pour la découverte de modèles causaux en ligne. Il propose également une métrique pour détecter les caractéristiques fallacieuses en ligne. Cette métrique peut être combinée avec un algorithme de recherche de représentation en ligne pour découvrir des caractéristiques non fausses à partir de données sensorielles. Il conclut en affirmant qu'en éliminant continuellement les caractéristiques parasites en ligne, nous pouvons apprendre des modèles à forte généralisation.

Alan Chan : Les problèmes de Fair ML

Dans son exposé, Alan fait un plongeon essentiellement non technique dans les problèmes de la recherche ML équitable aujourd'hui. Il commence par une caractérisation de la ML équitable, puis passe en revue des scénarios pour mettre en évidence les problèmes liés à cette caractérisation, et conclut par des questions pour améliorer le travail en cours.

Raksha Kumaraswamy : Optimisme stochastique et exploration

L'idée d'optimisme est un thème prédominant qui sous-tend de nombreuses méthodes visant à promouvoir le comportement exploratoire dans l'apprentissage par renforcement. Dans cet exposé, Raksha examine de plus près une instanciation concrète de cette idée à travers le prisme de l'optimisme stochastique. Raksha fournit une définition de l'optimisme stochastique et décrit le cadre dans lequel le concept a été proposé (dans la littérature) pour induire un comportement exploratoire efficace dans l'apprentissage par renforcement.

Les Tea Time Talks sont désormais terminés pour l'année, mais restez à l'écoute car nous mettrons en ligne les autres conférences dans les semaines à venir. En attendant, vous pouvez revoir ou rattraper les conférences précédentes sur notre liste de lecture Youtube.