Danica cherche à améliorer l'apprentissage par représentation, un outil essentiel de l'apprentissage automatique moderne.

Approfondir l'apprentissage de la représentation

Danica Sutherland cherche à améliorer l'apprentissage des représentations - un outil essentiel de l'apprentissage automatique moderne - en particulier pour les problèmes à la structure complexe, ou lorsque plusieurs problèmes doivent être traités simultanément. L'un des principaux objectifs de ses recherches est d'élargir les options en matière d'architecture et d'apprentissage des modèles profonds, notamment par le biais de méthodes à noyau, afin d'apprendre plus facilement des représentations puissantes dans divers contextes. Une composante majeure de ce travail porte sur de meilleures méthodes pour comprendre les différences entre les distributions. Il peut s'agir de distinguer deux ensembles de données fixes (comme dans le test à deux échantillons) ou de déterminer si les groupes de traitement ou de contrôle diffèrent. Ces méthodes sont également essentielles pour aider les modèles génératifs (tels que les GAN) à faire correspondre leurs distributions cibles. Danica travaille également sur des problèmes liés à la recherche de bonnes représentations d'ensembles de données sans étiquettes "fortes" (apprentissage non supervisé ou faiblement supervisé), et à la recherche de modèles capables de bien se généraliser à des environnements différents de ceux dans lesquels ils ont été formés.

Danica est titulaire d'une chaire d'IA du CIFAR Canada à Amii et professeur adjoint au département d'informatique de l'Université de la Colombie-Britannique. Ses articles ont été publiés dans des conférences telles que la conférence NeurIPS (Neural Information and Processing Systems), la conférence ICML (International Conference on Machine Learning), la conférence AISTATS (Artificial Intelligence and Statistics) et la conférence ICLR (International Conference on Learning Representations). Elle a été présidente de secteur ou membre du comité de programme principal de NeurIPS, d'AISTATS et de l'AAAI, a donné conjointement une séance de tutorat à NeurIPS, a donné des conférences invitées à des événements tels qu'un grand atelier de l'ICML et le congrès international sur les mathématiques industrielles et appliquées, et a enseigné à l'école d'été de science des données de l'École polytechnique. Auparavant, Danica a occupé des postes au Toyota Technological Institute de Chicago et à la Gatsby Computational Neuroscience Unit de l'University College London ; elle a obtenu son doctorat.