Christian Gagné Axe 3 - Méthodes d'intelligence artificielle et de traitement de données

Chercheur membre

Université Laval
Faculté des sciences et de génie
Département de génie électrique et de génie informatique

Directeur, Institut intelligence et données (IID)

Apprentissage automatique Environnements intelligents Santé Science des données Vision numérique

Professeur titulaire, Faculté des sciences et de génie, Université Laval
Directeur, Institut intelligence et données (IID)
Titulaire, Chaire Canada-CIFAR en intelligence artificielle

Christian Gagné est professeur au département de génie électrique et de génie informatique de l’Université Laval depuis 2008. Il est le directeur de l’Institut intelligence et données (IID) de l’Université Laval. Il détient une Chaire en intelligence artificielle Canada-CIFAR et est membre associé à Mila. Il est également membre du Laboratoire de vision et systèmes numériques (LVSN), une composante du Centre de recherche en robotique, vision et intelligence machine (CeRVIM), ainsi que du Centre de recherche en données massives (CRDM) de l’Université Laval. Il fait parti des regroupements stratégiques REPARTI et UNIQUE du FRQNT, du centre VITAM du FRQS et de l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA).

Il a complété un doctorat en génie électrique (Université Laval) en 2005 pour ensuite effectuer un stage postdoctoral conjointement à l’INRIA Saclay (France) et l’Université de Lausanne (Suisse) en 2005-2006. Il a œuvré comme associé de recherche en milieu industriel entre 2006 et 2008. Il est membre du comité exécutif de l’ACM Special Interest Group on Evolutionary Computation (SIGEVO) depuis 2017.

Ses intérêts de recherche portent sur l’élaboration de méthodes pour l’apprentissage machine et l’optimisation stochastique. En particulier, il s’intéresse aux réseaux de neurones profonds, à l’apprentissage et au transfert de représentations, au méta-apprentissage ainsi qu’à l’apprentissage multitâche. Il s’intéresse également aux approches d’optimisation basées sur des modèles probabilistes ainsi qu’aux algorithmes évolutionnaires, entres autres pour l’optimisation boîte noire et la programmation automatique. Une part importante de ses travaux porte également sur la mise en pratique de ces techniques dans des domaines comme la vision numérique, la microscopie, la santé, l’énergie et les transports.