Histoires post-universitaires

Alex Sharp explore « les fondements statistiques de l’apprentissage des représentations invariantes, avec des applications à la compression axée sur les données et à la conception d’algorithmes »

Alex développera de nouvelles méthodes d’apprentissage en profondeur basées sur des notions d’invariance et/ou de suffisance pour la compression de données et la conception d’algorithmes basés sur les données (par exemple, l’optimisation discrète) et développera une théorie statistique spécialisée pour ces paramètres.

Programme : Bourse postdoctorale distinguée de l’INCASS
Région : National
Date : 2023-2025

Domaines d’intervention du projet

Les progrès des méthodes d’apprentissage en profondeur ont été largement tirés par le calcul et l’ingénierie. Cependant, certaines des méthodes les plus efficaces intègrent des notions d’invariance et/ou de suffisance. Ces propriétés sont particulièrement importantes pour la robustesse au changement de distribution et les applications à l’inférence causale. Ce projet établira une théorie statistique pour de telles méthodes, en élucidant les rôles respectifs de l’invariance statistique et de la suffisance dans l’apprentissage automatique moderne, y compris les versions approximatives apprises à partir des données.

In addition to the theoretical objectives of the research project, Alexander will collaborate on work to develop theoretically sound representation learning methods for data compression and data-driven algorithm design. Such methods are at the forefront of research into data-driven solutions to core computer science problems, and pose challenging methodological and theoretical questions. Successful development of new methods will require designing appropriate deep neural network models and optimization objectives, implementing them to be trained efficiently on massive data sets, and running reproducible large-scale computer experiments to assess empirical performance. Moreover, collaborating on the release of clean, open-source code will be part of the project.

Apprendre à connaître Alex

La première expérience de recherche d’Alex Sharp a eu lieu à l’Université St. Thomas, où il a participé à un projet visant à modéliser la rentabilité d’un ensemble de régimes de redevances sur le gaz naturel à envisager par la province du Nouveau-Brunswick. Cette expérience a été « une excellente introduction pour moi à l’utilité des mathématiques et des statistiques pour éclairer la prise de décision dans le monde réel ».

Plus tard, il a complété sa maîtrise et son doctorat à l’Université de Waterloo sous la supervision du Dr Ryan Browne. Ses recherches au cours de cette période se sont principalement concentrées sur la théorisation et la mise en œuvre de modèles de mélanges fonctionnels paramétriques et ont conduit à deux publications. Il a également eu la chance de jouer un rôle de premier plan dans des collaborations avec des étudiants des cycles supérieurs, ce qui a mené à une publication supplémentaire et à une autre qui sera bientôt soumise.

Alexander note que son intérêt pour le programme CDPF vient de son désir de compléter les compétences de recherche «individualistes» qu’il a développées au cours de son programme de doctorat avec une expérience qui met l’accent sur la recherche comme une «entreprise collaborative, où de nombreux spécialistes apportent leur expertise à l’avancement de un objectif commun. »

En tant que récipiendaire de la bourse postdoctorale distinguée de l’INCASS, Alex travaillera sous la supervision de Benjamin Bloem-Reddy à l’Université de la Colombie-Britannique et de Chris. J. Maddison à l’Université de Toronto

Je suis impatient d’appliquer les compétences de recherche que j’ai perfectionnées à un problème qui nécessite vraiment une approche collaborative et interdisciplinaire, un problème qui ne peut être résolu uniquement par mon expertise individuelle.