Accueil

À propos du laboratoire

Le Laboratoire de Recherche Chandar (CRL) est un groupe de recherche en apprentissage automatique (Machine Learning ou ML) du département de Génie Informatique et Génie Logiciel de Polytechnique Montréal. La mission à long terme du groupe est de développer des algorithmes d’apprentissage interactifs qui apprennent continuellement par de nouvelles expériences. Pour le moment, le laboratoire touche à plusieurs domaines de l’apprentissage continu comme l’apprentissage profond (Deep Learning), l’apprentissage par renforcement (Reinforcement Learning ou RL), l’apprentissage permanent (Lifelong Learning) et le traitement du langage naturel (Natural Language Processing ou NLP).

Le CRL est aussi affilié au Mila, the Quebec AI Institute.

Nouvelles

• (septembre 2025) Nous aurons notre symposium CRL 2025 annuel le 19-20 août. Venez y jeter un coup d’œil!

• (août 2025) Deux travaus concernant le RLHF et la pilotage des réprésentations sont acceptés à COLM 2025.

• (juillet 2025) Notre effort à propos de la suivi des points a été accepté à ICCV 2025.

• (juin 2025) Un papier accepté à ACL 2025 et deux autres acceptés à Findings.

• (juin 2025) Deux travauxs ont été acceptés à CoLLAs 2025.

• (février 2025) Notre travail sur la généralisation dans Hanabi multi-agent a été accepté à ICLR 2025.

• ( 2024) Notre travail sur la construction des LLM pour la génération de molécules 3D accepté à l’AAAI 2025.

• (novembre 2024) Une article sur la longueur du contexte dans l’apprentissage par renforcement accepté par NeurIPS.

• (octobre 2024) Deux articles sur la compréhension des connaissances dans les LLM et le décodage spéculatif acceptés par EMNLP et un autre sur la quantification des LLM accepté au Findings.

• (septembre 2024) Une article à propos de la modulation d’attention pour l’équité a été accepté à COLM.

• (juin 2024) Notre travail sur auto-explications à partir de grands modèles de langage a été accepté à Findings of ACL 2024.

• (juin 2024) Deux articles acceptés à ACL 2024: corrélation des mesures d’équité et alignement des préférences efficace.

• (juin 2024) Deux articles acceptés à ICML 2024: fidélité mesurable modèles de langage masqué et Lookbehind-SAM.

• (mai 2024) Notre travail sur distillation du sous-objectif a été accepté à CoLLAs 2024.

• (février 2024) Deux articles acceptés à ICLR 2024: commutation intelligente dans RL sans réinitialisation et maîtriser les tâches de mémoire avec des modèles du monde.

• (février 2024) Notre travail sur l’apprentissage par renforcement hors ligne pour la conception de cristaux a été accepté à Digital Discovery.

• (février 2024) Notre travail sur l’élagage soucieux de l’équité dans Transformers a été accepté à AAAI 2024.

• (novembre 2023) Trois articles acceptés à EMNLP 2023: écart entre l’acquisition et l’utilisation des connaissances dans les LLMs, évaluation des LLM, et repondération des données pour les LLMs.

• (juin 2023) Notre travail sur l’apprentissage par renforcement coopératif multi-agent a été accepté à UAI 2023.

• (juin 2023) Deux articles acceptés à CoLLAs 2023: apprentissage par renforcement adaptatif model-based et coordination few-shot dans Hanabi.