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

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

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

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

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

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

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

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

• (octobre 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.

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

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