2^e atelier : L’incertitude dans l’IA

Membres du comité responsables de l’atelier

La dynamique en faveur de l’adoption de l’IA laisse présager que dans notre travail, nos loisirs et nos prises de décision, nous serons bientôt entourés – et le sommes déjà – d’une multitude d’outils et d’agents IA. Dans le même temps, notre compréhension de l’incertitude associée à une grande partie de cette infrastructure émergente en est encore à ses balbutiements. Cette incertitude revêt de nombreuses formes, allant de la précision prédictive des algorithmes d’apprentissage profond et des hallucinations dans l’IA générative, à une compréhension encore largement empirique de ce que l’IA est capable de faire – et ne peut pas faire. Cet atelier mettra en évidence les moyens fondés sur des principes grâce auxquels la théorie et les méthodes statistiques contribuent à notre compréhension émergente de l’incertitude qui accompagne l’IA. Et, simultanément, comment le rythme du développement de l’IA est en train de susciter une innovation dans le domaine des statistiques à un rythme rarement vu auparavant, en particulier à l’interface avec des domaines des mathématiques appliquées qui évoluent tout aussi rapidement. De l’apprentissage profond bayésien aux mathématiques des transformateurs et à leurs liens avec les systèmes de particules en interaction. De l’analyse de l’apprentissage par transfert via le transport optimal et des idées similaires telles que l’appariement des flux aux caractérisations formelles émergentes du raisonnement en chaîne de pensée. Réunissant des experts en statistiques appliquées à l’IA provenant de partout au Québec, du Canada et de la communauté mondiale de l’IA, cet atelier de quatre jours offrirait à ce groupe une occasion rare de se réunir à une échelle encore relativement petite pour discuter et continuer à jeter les bases de la quantification de l’incertitude statistique dans le domaine de l’IA.

Ben Adcock (SFU), Chris Maddison (University of Toronto), Edgar Dobriban (University of Pennsylvania), Geoff Pleiss (UBC), Konstantinos Spiliopoulos (Boston University), Kun Zhang (CMU, MBZUAI), Maxim Panov (MBZUAI), Mehdi Dagdoug (McGill University), Mladen Kolar (MBZUAI, USC), Murat A. Erdogdu (University of Toronto), Philippe Rigollet (MIT), Pragya Sur (Harvard University), Qiang Liu (UT Austin), Rachel Morris (Concordia University), Tianxi Cai (Harvard), Xin Bing (University of Toronto), Xinwei Shen (UW Seattle), et Fanny Yang (ETH).

Lundi 8 juin 2026

Thème de la journée – Foundations of Uncertainty in AI: From measuring uncertainty to using it effectively 

9:00 – 9:20 : Accueil 

9:20 – 9:30 : Mot de bienvenue – Aurélie Labbe (HEC Montréal), ainsi qu’Eric Kolaczyk et Qiang Sun, organisateurs de l’atelier 

9:30 – 10:15 : Philippe Rigolet (MIT) – Propagation of Chaos in Contextual Flow Maps 

10:15 – 11:00 : Edgar Dobriban (University of Pennsylvania) – Case Studies in AI Uncertainty Quantification and Control

11:00 – 11:30 : Pause café

11:30  – 12:15 : Maxim Panov (MBZUAI) – Rectifying Conformity Scores for Better Conditional Coverage 

12:15 – 14:30 : Lunch (non fourni) 

14:00 – 14:45 : Kun Zhang (CMU/MBZUAI) – Causal representation learning and causal generative AI

14:45 – 15:15 : Pause café 

15:15 – 15:45 : Discussion public/conférenciers(ères) 

15:45 – 16:45 : Mise en place des groupes de travail ad hoc – Participant(e)s et intervenant(e)s 

16:45 – 17:00 : Séance d’affiches « Flash Talks » 

17:00 – 18:00 : Cocktail de réseautage 

Mardi 9 juin 2026

Thème de la journée – Conformal Inference & Reliable Predictions: Statistical guarantees and robustness of methods 

9:00 – 9:30 : Accueil 

9:30 – 10:15 : Archer Yi Yang (McGill University) – Multivariate Conformal Selection

10:15 – 11:00 : Mladen Kolar (MBZUAI, USC) – Confidence Sets for Causal Orderings 

11:00 – 11:30 : Pause café 

11:30 – 12:15  : Mehdi Dagdoug (McGill University) – Double Machine Learning for the Treatment of Nonresponse in Survey Sampling 

12:15 – 02:00 : Lunch (non fourni) 

02:00 – 02:45 : Konstantinos Spiliopoulos (Boston University) – Global Convergence of Adjoint-Optimized Neural PDEs 

02:45 – 03:15 : Pause café 

03:15 – 04:00 : Table ronde – discussion 

Mercredi 10 juin 2026

Thème de la journée – Learning with Limited or Complex Data : The core challenge: scarce data and complex structures 

9:00 – 9:30 : Accueil 

9:30 – 10:15 : Chris Maddison – Blood from a Stone: Finding Signal when Data is Scarce and Verification is Expensive 

10:15 – 11:00  : Geoff Pleiss (UBC) – Beyond Calibration: Quantifying Uncertainty via Downstream Decision Making 

11:00 – 11:30 : Pause café 

11:30 – 12:15  : Xin Bing (University of Toronto) – Baby Transformer CODL learns latent domains 

12:15 – 02:00 : Lunch (non fourni) 

02:00 – 02:45 : Ben Adcock via zoom (SFU) – Towards trustworthy deep learning for inverse problems: confident hallucinations and new theoretical guarantees for Bayesian recovery with generative priors

02:45 – 03:15 : Pause café 

03:15 – 04:00 : Rachel Morris (Concordia University) – A geometric perspective on adversarial machine learning 

04:00 – 04:30 : Table ronde – discussion 

Jeudi 11 juin 2026

Thème de la journée – Causality, Robustness & Generalization : Reliable AI in the real world: causality, robustness, and distribution shift 

9:00 – 9:30 : Accueil  

9:30 – 10:15 : Murat A. Erdogdu (University of Toronto) – Learning Quadratic Neural Networks in High-dimensions 

10:15 – 11:00 : Xinwei Shen  Via Zoom (UW Seattle) – Generalization Beyond Observations: A Distributional Perspective 

11:00 – 11:30 : Pause café

11:30 – 12:15  : Tianxi Cai (Harvard) – Uncertainty-Aware Robust Optimization for Durable AI: Managing Distributional Drift in Clinical Settings 

12:15 – 01:30 : Lunch (non fourni) 

01:30 – 02:15 : Pragya Sur (Harvard University) – Toward Bayes-Optimal Multimodal In-Context Learning via Cross-Attention Architectures 

02:15 – 02:30 : Pause café 

02:30 – 03:15 : Fanny Yang (ETH) – Transfer Learning using benchmarks and causal invariances 

03:15 – 03:30 : Pause café 

03:30 – 04:15 : Discussion public/conférenciers(ères) 

04:15 – 04:30 : Mot de clôture