François Rivest, Professeur adjoint

Département de mathématiques et informatique

Éducation:

• PhD informatique, Université de Montréal.
• MSc informatique, liste d'honneur du doyen, McGill University.
• BSc mathématiques et informatique, mineur en sciences cognitives, McGill University.

Intérêts de recherche :

• Je m’intéresse aux fondements mathématiques de l’apprentissage naturel et artificiel. Je suis particulièrement intéressé par la façon dont les différents systèmes du cerveau collaborent pour générer cette étonnante capacité d’apprentissage. Par exemple, le cortex, les ganglions de la base et la dopamine, le système limbique et l’hippocampe, et le cervelet, ont tous des rôles sensiblement différents dans l’apprentissage. Au-delà des applications potentielles en neuropsychologie, découvrir les stratégies d’apprentissage du cerveau pourrait permettre le développement d’algorithmes d’apprentissage automatique plus généraux et performants.
• L’apprentissage animal et machine peuvent tous deux être étudiés dans le cadre mathématique de l’apprentissage par renforcement composé de stimuli, d’actions et de récompenses. En particulier, le cerveau reçoit un flux continu d’information dans lequel la synchronicité ou le décalage entre les évènements semblent influencer fortement l’apprentissage et le comportement animal. Comment les intervalles de temps sont acquis et influencent l’apprentissage reste à éclaircir. Au-delà du temps, la capacité naturelle du cerveau à construire des représentations abstraites reste inégalée par les meilleurs algorithmes d’apprentissage automatique d’aujourd’hui.
• À partir des données neurophysiologiques et comportementales des animaux, j’essaie de développer des modèles qui reproduisent la capacité neurale d’adaptation de ces derniers. Dans certains cas, des solutions intéressantes sont aussi évaluées comme algorithme d’apprentissage automatique.

Certains des liens ci-dessous conduisent à un site d'une entité non assujettie à la Loi sur les langues officielles. L'information sur ce site est disponible dans la langue du site.

Publications représentatives :

• Rivest, F. (2010) Learning and the partial observability of continuous time. 5th Barbados Workshop on Reinforcement Learning: Sculpting Representation for Reinforcement Learning. McGill University, Barbados. Invited Presentation
• Rivest, F. (2009) Modèle informatique du coapprentissage des ganglions de la base et du cortex : L’apprentissage par renforcement et le développement de représentations. Thèse de doctorat, Département d’informatique et de recherche opérationnelle, Université de Montréal.
• Rivest, F., Kalaska, J.F., & Bengio, Y. (2009) Alternative time representation in dopamine models. Journal of Computational Neuroscience 28(1):107-130. doi: 10.1007/s10827-009-0191-1
• Shultz, T.R., Rivest, F., Egri, L., Thivierge, J.-P., & Dandurand, F. (2007) Could Knowledge-based Neural Learning Be Useful in Developmental Robotics? The Case of KBCC. International Journal of Humanoid Robotics (Special Issue on Autonomous Mental Development) 4(2):245-279. doi: 10.1142/S0219843607001035
• Dandurand, F., Shultz, T.R., & Rivest, F. (2007) Complex problem solving with reinforcement learning. In Proceeding of the 6th IEEE International Conference on Development and Learning (ICDL-2007), pp. 157-162. IEEE.
• Thivierge, J.-P., Rivest, F., & Monchi, O. (2007) Spiking Neurons, Dopamine, and Plasticity: Timing Is Everything, But Concentration Also Matters. Synapse 61:375-390. doi: 10.1002/syn.20378
• Shultz, T.R., Rivest, F., Egri, L., & Thivierge, J.P. (2006) Knowledge-based learning with KBCC. Proceedings of the Fifth International Conference on Development and Learning ICDL 2006. Department of Psychological and Brain Sciences, Indiana University, Bloomington.
• Rivest, F., Bengio, Y, & Kalaska, J.F. (2005) Brain Inspired Reinforcement Learning (pdf 230KB). In Lawrence K. Saul, Yair Weiss, and Léon Bottou, editors, Advances in Neural Information Processing Systems 17, pp. 1129-1136. MIT Press, Cambridge, MA.
• Rivest, F., & Shultz, T.R. (2004) Compositionality in a Knowledge-based Constructive Learner (pdf 305KB). Papers from the 2004 AAAI Symposium, Technical Report FS-04-03, pp. 54-58. AAAI Press: Menlo Park, CA.
• Rivest, F., & Precup, D. (2003). Combining TD-learning with Cascade-correlation Networks (pdf 119KB). Proceedings of the Twentieth International Conference on Machine Learning, pp. 632-639. AAAI Press. aaai.org
• Thivierge, J.-P., Rivest, F., & Shultz, T.R. (2003). A Dual-phase Technique for Pruning Constructive Networks. Proceedings of the IEEE International Joint Conference on Neural Networks 2003, pp. 559-564.
• Rivest, F. (2002) Knowledge-Transfer in Neural Network: Knowledge-Based Cascade-Correlation (pdf 644KB). M.Sc. Thesis, School of Computer Science, McGill University.
• Rivest, F. & Shultz, T.R. (2002) Application of Knowledge-based Cascade-correlation to Vowel Recognition, IEEE International Joint Conference on Neural Network 2002, pp. 53-58. IEEE Society Press.
• Shultz, T.R. & Rivest, F. (2001) Knowledge-based Cascade-correlation: Using Knowledge to Speed Learning, Connection Science 13:1-30.  doi: 10.1080/09540090110047767
• Shultz, T.R. & Rivest, F. (2000) Knowledge-based Cascade-correlation: An Algorithm for Using Knowledge to Speed Learning. Proceedings of the Seventeenth International Conference on Machine Learning, pp. 871-878. San Francisco, CA: Morgan Kaufmann.
• Shultz, T.R. & Rivest, F. (2000) Knowledge-based Cascade-correlation, Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Network 2000, pp. V641-V646. Los Alamitos, CA: IEEE Society Press.

• Et plus...