Search

Marc G. Bellemare

Nomination

  • Boursier
  • Apprentissage automatique, apprentissage biologique

Institution

  • Université McGill
  • Google Brian

Pays

  • Canada

Éducation

PhD Computing Science, University of Alberta
MSc Computer Science, McGill University
BSc Honours Computer Science, McGill University

À propos

Les recherches de Marc G. Bellemare se situent au croisement de l’apprentissage par renforcement et de la prédiction statistique.

Ses travaux produisent des résultats théoriques et pratiques, y compris un nouveau traitement distributionnel de l’apprentissage par renforcement, une théorie de l’exploration d’espaces à forte dimensionnalité, la mise au point du très efficace Arcade Learning Environment pour l’évaluation d’agents artificiels et des travaux en apprentissage profond par renforcement. Son objectif à long terme est de concevoir des agents généralement compétents : des agents aptes à fonctionner dans une vaste gamme d’environnements et à éventuellement manifester l’éventail de comportements que nous attribuons aux humains, comme la curiosité, l’ennui, la compétence et la communication émergente.

Publications Pertinentes

Bellemare, M., J. Veness et M. Bowling. « The Arcade Learning Environment: An Evaluation Platform for General Agents. » Journal of Artificial Intelligence Research (2013).
Mnih, V. et coll. « Human-level control through deep reinforcement learning. » Nature (2015).

Bellemare, M.*, W. Dabney* et R. Munos. « A distributional perspective on reinforcement learning. » ICML, 2017.

Bellemare, M., S. Srinivasan, G. Ostrovski, T. Schaul, D. Saxton et R. Munos. « Unifying count-based exploration and intrinsic motivation. » Artificial Intelligence (2016).