Yoshua Bengio


Chaire de recherche du Canada en algorithmes d'apprentissage statistique

Niveau 1 - 2005-09-01
Date de renouvellement : 2013-03-01
Université de Montréal
Sciences naturelles et génie

514-343-6804
bengioy@iro.umontreal.ca

Objet de la recherche


Élaboration d'algorithmes d'apprentissage plus perfectionnés pour les réseaux de neurones et l'apprentissage machine.

Importance de la recherche


Applications très diversifiées dont la mise au point plus rapide de produits pharmaceutiques et l'amélioration du processus de tarification d'assurances.

La malédiction de la dimensionnalité


Yoshua Bengio veut vaincre la malédiction de la dimensionnalité. Pour y arriver, il devra enseigner à une machine comment sortir de ce bourbier qu'engendre la résolution des problèmes.

Monsieur Bengio est une sommité internationale des réseaux de neurones et de l'apprentissage machine. Une vaste gamme d'applications de pointe ont recours à ces techniques informatisées, qu'il s'agisse de logiciels de reconnaissance de la parole ou de processus plus rapides de mise au point des produits pharmaceutiques.

La recherche actuelle du nouveau titulaire de la chaire de recherche du Canada à l'Université de Montréal porte sur les algorithmes d'apprentissage, c'est-à-dire les balises de la résolution de problèmes dont se servent les ordinateurs pour « apprendre » à partir des données reçues.

Monsieur Bengio dirigera une équipe de recherche constituée d'une douzaine d'étudiants et de stagiaires postdoctoraux et s'attaquera à deux problèmes fondamentaux. Premièrement, il s'agira d'élaborer des algorithmes et des techniques d'apprentissage permettant de traiter des ensembles de données qui englobent de nombreuses variables. Deuxièmement, le projet vise à créer de meilleurs algorithmes d'apprentissage pour de très vastes ensembles de données qui renferment des dizaines ou des centaines de millions d'éléments d'information.

La malédiction de la dimensionnalité guette le M. Bengio dans ces cas aux variables nombreuses. Le défi qu'il doit relever est de concevoir des modèles probabilistes, alors que le nombre de combinaisons possibles croit de façon exponentielle avec le nombre de variables. Cette situation constitue un obstacle majeur pour des applications telles que les logiciels perfectionnés de reconnaissance de la parole, de traduction et de récupération d'information (p. ex. les moteurs de recherche Web) où on compte des milliers de combinaisons possibles de mots. M. Bengio perfectionnera les techniques d'apprentissage machine pour ces ensembles de données multiparamétriques. Son programme de recherche et de développement dans ce domaine revêtera, sans nul doute, une importance capitale pour les secteurs industriels qui ont recours à l'apprentissage machine et à des logiciels complexes.

Le scientifique en informatique mettra également au point des algorithmes perfectionnés d'apprentissage visant à « extraire » de grandes quantités de données. M. Bengio essayera une variété de techniques visant à accroître la vitesse des algorithmes d'apprentissage lorsqu'il s'agit de traiter de vastes ensembles de données. Participent à cette recherche des partenaires corporatifs, notamment des compagnies d'assurances. Un des objectifs dans le présent cas est de trouver de meilleures façons d'établir le rapport risque-prime dans le cadre de la tarification d'assurances.