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

• (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.

• (novembre 2022) Notre travail sur les le taillage des données pour l’équité a été accepté à AAAI 2023.

• (octobre 2022) Notre travail sur les interprétabilité du langage naturel a été accepté à ACM Computing Surveys.

• (octobre 2022) Notre travail sur les structure locale en langage naturel a été accepté à AACL-IJCNLP 2022.

• (octobre 2022) Notre travail sur les modèles multilingues et mesures d’importance en langage naturel a été accepté à Findings of EMNLP 2022.

• (août 2022) Deux articles acceptés à CoLLAs 2022: optimisation pour l’apprentissage continu et généralisation du méta-apprentissage.

• (juillet 2022) Nous avons présenté notre recherche au symposium CRL 2022 le 11 août.

• (mai 2022) Notre travail sur la génération musicale avec contraintes a été accepté à CP 2022.

• (mai 2022) Deux articles acceptés à ICML 2022: évaluation de l’adaptabilité en apprentissage par renforcement et optimisation séquentielle.

• (février 2022) Notre travail sur la perturbation en compréhension du langage naturel a été accepté à Findings of ACL 2022.

• (janvier 2022) Notre travail sur les optimiseurs à mémoire augmenté a été accepté à ICLR 2022.