Bourses d’excellence

Programme de bourses d’excellence IVADO aux cycles supérieurs

Le programme de bourses soutient les étudiants prometteurs dans leur formation en tant que futurs personnels hautement qualifiés et futurs acteurs dans les domaines promus par IVADO.

Généralités

Description complète

FAQ

Soumission

Résultats 2018

Description du programme

  • Nom du programme : programme de bourses d’excellence IVADO aux cycles supérieurs
  • Type de programme : bourses d’études
  • Domaines ciblés : science des données, innovation pilotée par les données

Objectifs du programme

L’objectif du programme de bourses d’excellence est de soutenir les étudiants prometteurs dans leur formation en tant que futurs personnels hautement qualifiés (chercheurs, professeurs et professionnels) et plus généralement, en tant que futurs acteurs dans le secteur de la science des données, principalement dans les domaines d’excellence des membres IVADO : recherche opérationnelle, apprentissage automatique et sciences de la décision.

Dates limites

  • Date limite d’inscription : 15 décembre 2017
  • Date de notification prévue : 1er avril 2018
  • Acceptation officielle du candidat avant le 1er mai 2018

La bourse devrait débuter dans les neuf mois suivant l’annonce, et pourrait être rétroactive selon certaines conditions.

Domaines supportés

Le programme de bourses d’excellence soutient la recherche concernant les enjeux soulevés dans la demande de subvention Apogée ( http://www.cfref-apogee.gc.ca/results-resultats/abstracts-resumes/competition_2/universite_de_montreal-fra.aspx ): sciences des données au sens large, incluant des recherches méthodologiques en science des données (apprentissage automatique, recherche opérationnelle, statistiques) et leurs applications dans plusieurs domaines (dont la santé, le transport, la logistique, l’énergie, le commerce et la finance)

Description du programme

  • Nom du programme : programme de bourses d’excellence IVADO aux cycles supérieurs
  • Type de programme : bourses d’études
  • Domaines ciblés : science des données, innovation pilotée par les données

Objectifs du programme

L’objectif du programme de bourses d’excellence est de soutenir les étudiants prometteurs dans leur formation en tant que futurs personnels hautement qualifiés (chercheurs, professeurs et professionnels) et plus généralement, les futurs acteurs dans le secteur de la science des données, principalement dans les domaines d’excellence des membres IVADO : recherche opérationnelle, apprentissage machine et sciences de la décision.

Dates limites

  • Date limite d’inscription : 15 décembre 2017
  • Date de notification prévue : 1er avril 2018
  • Acceptation officielle du candidat avant le 1er mai 2018

La bourse devrait débuter dans les neuf mois suivant l’annonce, et pourrait être rétroactive selon certaines conditions.

Domaines supportés

Le programme de bourses d’excellence soutient la recherche concernant les enjeux soulevés dans la demande de subvention Apogée ( http://www.cfref-apogee.gc.ca/results-resultats/abstracts-resumes/competition_2/universite_de_montreal-fra.aspx ): sciences des données au sens large, incluant des recherches méthodologiques en science des données (apprentissage automatique, recherche opérationnelle, statistiques) et leurs applications dans plusieurs domaines (dont la santé, le transport, la logistique, l’énergie, le commerce et la finance)

Montant et durée des bourses

Les bourses disponibles sont les suivantes :

  • Pour les étudiants de maîtrise : 4 bourses d’études de 20k$ par année (incluant les avantages sociaux/taxes), pour un maximum de six sessions ou deux ans
  • Pour les étudiants au doctorat : 6 bourses de 25k$ par année (incluant les avantages sociaux/taxes), pour un maximum de 12 sessions ou quatre années

Le financement sera renouvelé chaque année à la demande du(es) superviseur(s) :

  • Jusqu’à un maximum de six sessions pour les étudiants de maîtrise, 12 sessions pour les étudiants au doctorat.
  • Jusqu’à ce que le diplôme ait été accordé.

Les étudiants sont autorisés à présenter une nouvelle demande au programme à la fin de leur financement.

Lignes directrices

Généralement, les guides d’administration des trois fonds (http://www.nserc-crsng.gc.ca/professors-professeurs/financialadminguide-guideadminfinancier/index_fra.asp ) et les règles du programme Apogée ( http://www.cfref-apogee.gc.ca/program-programme/administer-administrer-fra.aspx#admissibles ) serviront de guides pour ce programme.

Admissibilité, évaluation et financement

Admissibilité

Pour les étudiants :

  • Les étudiants de maîtrise et de doctorat doivent être inscrits ou prévoir de s’inscrire à un programme à HEC Montréal, Polytechnique Montréal, l’Université de Montréal, l’Université McGill ou l’Université de l’Alberta.
  • Doivent avoir une note moyenne minimale de première classe (3,7/4,3 ou 3,5/4,00) au cours des années d’études précédentes.

Pour le professeur présentant la demande (superviseur principal) :

  • Doit être professeur dans l’une des institutions du Campus : HEC Montréal, Polytechnique Montréal ou l’Université de Montréal.
  • Les professeurs de l’Université de l’Alberta et de l’Université McGill peuvent également être superviseurs à condition qu’ils soient également membres de l’un des groupes de recherche d’IVADO (MILA, CIRRELT, GERAD, CERC sur la science des données, CRM ou Tech3Lab).

L’étudiant peut être cosupervisé, et il n’y a pas de contrainte d’admissibilité sur le cosuperviseur.

Pour les activités prévues pour la durée de la bourse :

  • Les activités doivent correspondre aux objectifs de IVADO et Apogée/CFREF.

Critères d’évaluation

L’évaluation des projets sera basée principalement sur :

  • le dossier du candidat
    • son aptitude à la recherche
    • l’étendue et la portée de son expérience (expériences pluridisciplinaires, expérience professionnelle, activités parascolaires, etc.)
    • adéquation prévue avec le projet proposé

et ensuite sur :

  • le mérite scientifique du projet de recherche
    • contribution au domaine
    • originalité, et impacts anticipés
    • faisabilité, pertinence du(des) laboratoire(s) d’accueil et du(des) superviseur(s)
  • l’adéquation du projet dans le cadre général d’IVADO et Apogée/CFREF
    • promouvoir la collaboration multidisciplinaire
    • favoriser la diversité

Demande

Les instructions pour le dépôt de la candidature sont disponibles sous l’onglet « Soumission ».

Documents requis :

  • CV du candidat
  • Relevés de note des sessions précédentes
  • CV du(es) superviseur(s)
  • Date de début prévue
  • Maximum de trois lettres de recommandation
  • Projet de recherche coécrit avec le superviseur (1 page max)
  • Un paragraphe avec une description vulgarisée du projet de recherche. Ce texte pourrait être rendu public par IVADO.

La demande est présentée par le superviseur. Chaque superviseur ne peut pas présenter plus de 5 candidats.

Processus d’évaluation

Les propositions seront passées en revue pour vérifier les exigences du programme (demande incomplète, trop longue, superviseur ou candidat non admissible, etc.). Seules les demandes répondant aux exigences seront transmises au comité d’évaluation.

Le comité d’évaluation sera composé de professeurs du Campus, bien au fait des domaines d’excellence d’IVADO, et qui ne présenteront aucun candidat. Dépendamment de la situation, le comité pourrait recevoir de l’aide d’évaluateurs locaux ou externes (professeurs ou chercheurs postdoctoraux).

Le comité d’évaluation sera amené à valider la correspondance scientifique du projet avec les domaines favorisés par IVADO. Toutes les propositions seront ensuite classées selon les critères et les bourses seront attribuées suivant le classement établi.

Conditions de financement

  • Pour les projets nécessitant une approbation éthique, les fonds ne seront pas débloqués tant que l’approbation ne sera pas obtenue.
  • L’argent de la bourse sera transmis au Bureau de la recherche de l’établissement d’attache du chercheur principal, qui l’administrera suivant ses propres règles.
  • Au terme du financement, le chercheur principal ne pourra pas candidater à d’autres programmes de financement d’IVADO tant qu’il n’aura pas produit un rapport final.

Engagements

  • L’étudiant accepte d’être présent de façon significative à l’université de son superviseur.
  • L’étudiant a pour intention de participer raisonnablement à la communauté et aux activités IVADO, incluant par exemple :
    • les présentations sur leur propres recherche
    • les activités de formation ou de diffusion des connaissances
    • les consultations
    • le soutien lors de différentes activités qui font normalement partie d’une carrière de recherche (mentorat, participation à des évaluations, co-organisation d’événements, etc.)
  • L’étudiant reconnaît qu’il fait partie d’une communauté universitaire, à laquelle il contribuera.
  • L’étudiant sera soumis à la politique des trois organisations sur le libre accès aux publications (http://www.science.gc.ca/eic/site/063.nsf/fra/h_F6765465.html). Ils sont encouragés à publier le plus de leurs productions de recherche (publications, enregistrement oral des présentations, code source, bases de données, etc.) dans le respect des règles de propriété intellectuelle applicables dans leur cas particulier.
  • Le soutien d’IVADO et d’Apogée / CFREF doit être reconnu dans la diffusion des résultats de recherche et plus généralement dans les diverses activités auxquelles l’étudiant participera.

Le superviseur s’engage à :

  • Fournir un environnement de travail qui convient au déroulement du projet
  • Superviser son étudiant.

Rapport final

À la fin de la période de financement, le superviseur et l’étudiant doivent soumettre un rapport final comprenant :

  • un bilan du projet;
  • une liste des publications;
  • une liste de participation à des événements;
  • une liste de participation à des activités de la communauté/d’IVADO.

Le superviseur ne peut pas appliquer à d’autres possibilités de financement d’IVADO tant que ce rapport n’est pas fourni.

Contacts

  • Toute question concernant ce programme de financement peut être posée à programmes-excellence@ivado.ca
  • Veuillez également consulter la section « FAQ » de cette page.

FAQ

D’autres questions? Veuillez les soumettre à programmes-excellence@ivado.ca

Le dossier de candidature se compose:

  • de ce formulaire, rempli;
  • du c.v. de l’étudiant, dans un format libre;
  • du c.v. du ou des superviseur(s);
  • une lettre de présentation du candidat (facultatif, une page max.);
  • la description du projet (une page max.);
  • un maximum de trois lettres de recommandations (aucun minimum);
  • des relevés de notes.

Il doit être envoyé à programmes-excellence@ivado.ca et en copie conforme (CC) au superviseur, idéalement sous la forme d’un seul fichier pdf. Les professeurs qui le souhaitent peuvent envoyer leurs lettres de recommandations directement à programmes-excellence@ivado.ca.

  • Chun Cheng (Polytechnique Montréal, Louis-Martin Rousseau)
    • Our project dedicates to deal with uncertainty in drone routing for disaster response and relief operations. To tackle the uncertainties arose from disaster scenarios, like uncertain demand locations and quantities for relief supplies, we use data-driven robust optimization (RO) method. This technique protects the decision makers against parameter ambiguity and stochastic uncertainty by using uncertainty sets. Therefore, it is significant to set proper parameters for the uncertainty set: a small set cannot accurately capture possible risks while a larger one may lead to overly conservative solutions. To address this problem, we use machine learning (ML) technique to extract information from historical data and real-time observations, and create the parameters by ML algorithms. After calibrating the uncertainty set, we will determine appropriate models for the problem by considering various theories in RO, such as static RO and multiple stage adjustable RO. These approaches will be measured against other applicable approaches such as stochastic programming.
  • Larry Dong (McGill University, Erica Moodie)
    • When making decisions, medical professionals often rely on past experience and their own judgment. However, it is often the case that an individual decision-makerfaces a situation that is unfamiliar to him or her. An adaptive treatment strategy (ATS) can help such biomedical experts in their decision-making, as they are a statistical representation of a decision algorithm for a given treatment that optimizes patient outcomes. ATSs are estimated with large amounts of data, but an issue that may occur is that such sources of data may be subject to unmeasured confounding, whereby important variables needed to ensure the causal inference are missing. The idea behind this research project is to develop a sensitivity analysis to better understand and to quantify the impact of unmeasured confounding on decision rules in ATSs.
  • Dominique Godin (Université de Montréal, Jean-François Arguin)
    • Ce projet de recherche a pour objectif de développer et mettre en application des techniques d’apprentissage machine afin de grandement améliorer l’identification des électrons par le détecteur ATLAS du LHC, le plus grand accélérateur de particules jamais construit et l’un des projets scientifiques les plus ambitieux de tous les temps.Afin de mener à bien le programme d’ATLAS, il est nécessaire d’identifier et mesurer chacune des particules, lesquelles s’y créer à un taux de 40 milliards par seconde et génèrent un flot astronomique de données. Parmi celles-ci, les électrons revêtent une très grande importance, mais ils sont également excessivement rares, ne représentant qu’une infime fraction. Considérant la taille et complexité des données disponibles, le problème d’identification des particules aussi rares que les électrons constitue un terrain d’application idéal pour les méthodes d’apprentissage machine. Les algorithmes actuels d’identification des électrons sont très simples et ne font pas usage de ces méthodes de telle sorte qu’une percée dans ce domaine serait une première mondiale qui pourrait éventuellement paver la voie à des découvertes majeures en physique des particules.
  • Charley Gros (Polytechnique Montréal, Julien Cohen-Adad)
    • Multiple sclerosis (MS) is a disease, with a high rate in Canada, that leads to major sensory and motor problems. This disease affects the neuronal signal transmission in both brain and spinal cord, creating lesions, which are observable on images acquired with an MRI scanner. The count and volume of lesions on an MRI scan of a patient is a crucial indicator of the disease status and commonly used by doctors for the diagnosis, prognosis and therapeutic drug trials. However, the detection of lesions is very challenging and time consuming for radiologists, due to the high variability of their size and shape.This project aims at developing a new, automatic and fast method of MS lesion detection on MRI data of spinal cord, based on newly developed machine learning algorithms. The new algorithm’s performance will be tested on a large dataset involving patients coming from different hospitals in the world. Once the algorithm is optimized, it will be freely available as part of an open-source software, already widely used for spinal cord MRI processing and analysis. A fundamental goal of this project is the integration of this algorithm in hospitals to help radiologists in their daily work.
  • Jonathan Pilault (Polytechnique Montréal, Christopher Pal)
    • Language understanding and generation is a unique capacity of humans. Automatic summarization is an important task in Natural (human) Language Processing. This task consists in reducing the size of discourse while preserving information content. Abstractive summarization sets itself apart from other types of summarization since it most closely relates to how humans would summarize a book, a movie, an article or a conversation. From a research standpoint, automatic abstractive summarization is interesting since it requires models to both understand and generate human language. In the past year, we have seen research that have improved the ability of Neural Networks to choose the most important parts of discourse while beginning to address key pain points (e.g. repeating sentences, nonsensical formulations) during summary text generation. Recent techniques in Computer Vision image generation tasks have shown that image quality can be further improved using Generative Adversarial Networks (GAN). Our intuition is that the same is true for a Natural Language Processing task. We propose to incorporate newest GAN architectures into some of the most novel abstractive summarization models to validate our hypothesis. The objective is to create a state-of-the-art summarization system that most closely mimics human summarizers. This outcome will also bring us closer to understand GANs analytically.
  • Thomas Thiery (Université de Montréal, Karim Jerbi)
    • When we are walking through a crowd, or playing a sport, our brain continuously makes decisions about directions to go to, obstacles to avoid and information to pay attention to. Fuelled by the successful combinations of quantitative modeling and neural recordings in nonhuman primates, research into the temporal dynamics of decision-making has brought the study of decision-making to the fore within neuroscience and psychology, and has exemplified the benefits of convergent mathematical and biological approaches to understanding brain function. However, studies have yet to uncover the complex dynamics of large-scale neural networks involved in dynamic decision-making in humans. The present research aims to use advanced data analytics to identify the neural features involved in tracking the state of sensory evidence and confirming the commitment to a choice during a dynamic decision-making task. To this end, we will use cutting-edge electrophysiological brain imaging (magnetoencephalography, MEG), combined with multivariate machine learning algorithms. This project, for the first time, will shed light on the whole-brain large-scale dynamics involved in dynamic decision-making, thus providing empirical evidence that can be generalized across subjects to test and refine computational models and neuroscientific accounts of decision-making. By providing a quantitative link between the behavioral and neural dynamics subserving how decisions are continuously formed in the brain, this project will contribute to expose mechanisms that are likely to figure prominently in human cognition, in health and disease. Moreover, this research may provide neurobiological-inspired contributions to machine learning algorithms that implement computationally efficient gating functions capable of making decisions in a dynamically changing environment. ln addition to advancing our knowledge of the way human brains come to a decision, we also foresee long-term health implications for disorders such as Parkinson’s disease.
  • Alice Wu (Polytechnique Montréal, François Soumis)
    • Combiner l’A.I. et la R.O. pour optimiser les blocs mensuels d’équipages aérien.Nos travaux récents portent sur le développement de deux nouveaux algorithmes Improved Primal Simplex (IPS) et Integral Simplex Using Decomposition (ISUD) qui profitent de l’information a priori sur les solutions attendues pour réduire le nombre de variables et de contraintes à traiter simultanément. Actuellement cette information est donnée par des règles fournies par les planificateurs. L’objectif de recherche sera de développer un système utilisant l’intelligence artificielle (IA) pour estimer la probabilité que la variable liant deux rotations fasse partie de la solution d’un problème de blocs mensuels d’équipages aériens. L’apprentissage se fera sur les données historiques de plusieurs mois, de plusieurs types d’avions et de plusieurs compagnies. L’estimation des probabilités doit se faire à partir des caractéristiques des rotations et non à partir de leurs noms. Une rotation ne revient pas d’une compagnie à l’autre ni d’un mois à l’autre. Il faudra identifier les caractéristiques pertinentes. Il faudra de la recherche sur l’apprentissage pour profiter des contraintes du problème. Il y a des contraintes entre le personnel terminant des rotations et celui en commençant par la suite. La validation de l’apprentissage se fera en alimentant les optimiseurs avec l’information estimée et en observant la qualité des solutions obtenues et les temps de calcul. Il y aura de la recherche à faire dans les optimiseurs pour exploiter au mieux cette nouvelle information.