Search

Graham Taylor

La nomination

  • Chercheurs mondiaux CIFAR-Azrieli 2016
  • Apprentissage automatique, apprentissage biologique

Institution

  • Université de Guelph
Département de génie
Institut Vecteur

Pays

  • Canada

Éducation

Ph.D. (apprentissage automatique), Université de Toronto
M.S. (ingénierie de conception de systèmes), Université de Waterloo
B.A.S. (ingénierie de conception de systèmes), Université de Waterloo

À propos

Graham Taylor, spécialiste de l’apprentissage automatique, cherche à découvrir de nouveaux algorithmes et de nouvelles architectures destinés à l’apprentissage profond : la construction automatique d’algorithmes hiérarchiques à partir de données non structurées à dimensionnalité élevée.

Il s’intéresse tout particulièrement à rehausser notre compréhension de séries chronologiques dans de nombreux domaines, notamment : comportement humain et animal, données environnementales (climat et agriculture), audio (musique et parole) et finances. Dans ses travaux, il se penche aussi sur le calcul de haute performance et cherche de meilleures façons d’exploiter les accélérateurs matériels pour surmonter les obstacles associés à l’apprentissage automatique à grande échelle.

Taylor joue un rôle actif dans la promotion d’activités entrepreneuriales en intelligence artificielle. Il est le directeur académique de NextAI, une initiative sans but lucratif qui vise à établir le Canada comme le pôle de l’intelligence artificielle en matière de recherche, de création d’entreprises et de commercialisation de technologies.

Prix

Chaire de recherche du Canada en apprentissage automatique (en vigueur depuis septembre 2018)

Publications Pertinentes

Devries, T. et G.W. Taylor. « Dataset Augmentation in Feature Space. » Dans International Conference on Learning Representations (ICLR) Workshop Track, 2017.

Neverova, N. et coll. « ModDrop: Adaptive Multi-Modal Gesture Recognition. » TPAMI 38, no 8 (2016): 1692–1706.

Neverova, N. et coll. « Learning Human Identity From Motion Patterns. » IEEE Access 4 (2016): 1810–1820.

Zeiler, M.D., G.W. Taylor et R. Fergus. 2011. « Adaptive Deconvolutional Networks for Mid and High Level Feature Learning. » Dans Proceedings of 2011 International Conference on Computer Vision, 2018–25.

Taylor, G.W., G.E. Hinton et S.T. Roweis. « Two Distributed-State Models For Generating High-Dimensional Time Series. » Journal of Machine Learning Research: JMLR 12 (mars 2011): 1025–1068.

Connecter

Website