Progrès dans l'apprentissage des représentations
L'objectif principal de recherche de Martha White est de développer des techniques pour les agents autonomes adaptatifs apprenant sur des flux de données. Au cours des dernières années, elle s'est concentrée sur les approches d'optimisation de principe pour l'apprentissage des représentations, en s'intéressant particulièrement aux représentations éparses et aux architectures récurrentes pour les domaines partiellement observables. Martha a également travaillé sur l'apprentissage par renforcement hors politique, qui permet d'apprendre de nombreuses politiques différentes en parallèle à partir d'un seul flux d'interaction avec l'environnement. Globalement, elle cherche à faire des progrès dans l'apprentissage des représentations pour l'apprentissage par renforcement, qui, selon elle, est l'un des plus grands obstacles scientifiques pour l'IA et les agents autonomes.
Martha est membre et titulaire de la chaire d'IA du Canada CIFAR à Amii et professeur associé au département d'informatique de l'université d'Alberta.
Elle a donné des conférences invitées à l'International Conference on Learning Representations (ICLR), à l'International Conference on Machine Learning (ICML) et à Advances in Neural Information Processing Systems (NeurIPS). Elle a également présidé ces conférences ainsi que la conférence de l'AAAI sur l'intelligence artificielle.
Martha consacre également une partie de son temps au mentorat et à la promotion de la diversité dans l'informatique. Depuis qu'elle a obtenu son doctorat en informatique à l'Université de l'Alberta en 2014, Martha a supervisé plus de 30 chercheurs en début de carrière aux niveaux de la maîtrise et du doctorat, ainsi que des associés de recherche et des boursiers postdoctoraux, et a rédigé plus de 40 articles dans des revues et des conférences de premier plan.
Domaines d'expertise
Apprentissage par renforcement
Apprentissage de la représentation
Prédiction des séries temporelles
Apprentissage hors politique