主页

鼓励发展人工智能对于所有人的利益 

一位教授在咖啡馆/休息室里与他的学生交谈。

Mila位于魁北克人工智能生态系统的核心,由1200多名专门从事机器学习的研究人员组成,致力于科学卓越和创新。

关于

作为特色的

教师

米拉由约舒亚·本吉奥教授于1993年创立,如今聚集了130多名蒙特雷尔大学、麦吉尔大学、蒙特雷阿尔理工学院和蒙特雷亚尔高等商学院的教授。Mila还欢迎拉瓦尔大学、谢尔布鲁克大学和技术学院的教授。 

浏览联机目录

Yoshua Bengio照片

最新出版物

具有随机效用最大化追随者的物流供应商利润最大化设施选址问题
大卫·平松·乌洛
伯纳德·根德伦
动态最大覆盖位置问题的加速Benders分解和局部分支
史蒂文·拉蒙塔涅
里巴尔阿塔拉
最大覆盖选址问题(MCLP)是设施选址中的一个关键问题,有许多应用和变体。一种这样的变体是… (查看更多)动态(或多周期)MCLP,考虑跨多个时间段安装设施。据我们所知,还没有提出精确的解决方法来解决这个问题的大规模实例。为此,在这项工作中,我们通过探索几种加速技术,扩展了静态情况下当前最先进的分支和Benders-cut求解方法。此外,我们提出了一种特殊的局部分支方案,该方案在子问题的定义中使用了一种新的距离度量,并具有一种高效准确地求解子问题的新方法。然后通过大量的计算实验对这些方法进行了比较,突出了所提方法的优势。
GIST:产生的输入集在深度学习中的可传递性
弗洛里安·坦本
朱利亚诺·安东尼奥
促进记忆中的探索——使用关键时刻增强亚当
Pranshu Malviya公司
贡卡洛·莫迪多
阿里斯蒂德·巴拉丁
Reza Babanezhad Harikandeh公司
杰瑞·黄
拉兹万·帕斯卡努
基于自适应梯度的优化器,特别是Adam,在训练大规模深度学习模型方面留下了自己的印记。苏的力量… (查看更多)ch优化器具有快速收敛性,同时对超参数选择更加稳健。然而,它们通常比非自适应方法的泛化效果差。最近的研究将这种性能差距与平坦的最小值选择联系在一起:自适应方法倾向于在损失范围更大的区域中找到解决方案,这反过来又会影响泛化。为了克服这个问题,我们提出了一个新的Adam记忆增强版本,通过在训练期间使用关键动量项缓冲区来促进对更平坦极小值的探索。直观地说,如果缓冲区不够宽,那么使用缓冲区会使优化器超出吸引力范围。我们的实验表明,我们的方法提高了Adam的几个变体在标准监督语言建模和图像分类任务中的性能。

人工智能为人类服务

AI的社会责任和有益发展是Mila使命的基本组成部分。作为该领域的领导者,我们希望为社会对话和开发有利于社会的应用程序作出贡献。

了解更多信息

一个人仰望星空。