Financement de projets de recherche fondamentale

Le programme de financement de projets de recherche fondamentale offre un cadre pour favoriser la recherche multidisciplinaire en science des données, en confirmant et renforçant la position de la communauté IVADO comme une actrice incontournable. Ce programme est aussi très axé sur le futur, en favorisant la formation des futurs acteurs du domaine et la création des bases scientifiques de la recherche de demain, qu’elle soit fondamentale ou appliquée.

Généralités

Description complète

FAQ

Soumission

Résultats

Description du programme

  • Nom du programme: Programme de financement IVADO pour les projets de recherche fondamentale
  • Type de programme : Subvention en équipe multidisciplinaire.
  • Type de recherche : Fondamentale
  • Domaine stratégique/prioritaire de recherche : Sciences des données au sens large, innovation pilotée par les données.

Objectifs

Les objectifs de ce programme sont de:

  • Favoriser la recherche multidisciplinaire en science des données, principalement dans les domaines d’excellence des membres d’IVADO: la recherche opérationnelle, l’apprentissage machine, les sciences de la décision.
  • Faire progresser ces même domaines internationalement. Y confirmer et renforcer la position des membres d’IVADO, de Montréal et du Canada.
  • Former les futurs acteurs du milieu.
  • Poser les bases de recherche subséquentes, fondamentales ou appliquées.

Échéances

  • Annonce: avril 2017
  • Date limite de présentation de la demande: 15 juin 2017
  • Date prévue de la décision: 15 octobre 2017
  • Date de début du financement: 1er novembre 2017

Domaines supportés

Le programme de financement de projets de recherche exploratoire d’IVADO soutient la recherche fondamentale 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, les ressources et énergie, les services d’information et le commerce).

La recherche soutenue par ce programme doit être collaborative et multidisciplinaire, qu’il s’agisse de plusieurs approches méthodologiques (apprentissage machine, recherche opérationnelle, sciences de la décision), ou bien d’une approche méthodologique combinée avec une expertise dans un domaine d’application.

Description du programme

  • Nom du programme: Programme de financement IVADO pour les projets de recherche fondamentale
  • Type de programme : Subvention en équipe multidisciplinaire.
  • Type de recherche : Fondamentale
  • Domaine stratégique/prioritaire de recherche : Sciences des données au sens large, innovation pilotée par les données.

Objectifs

Les objectifs de ce programme sont de:

  • Favoriser la recherche multidisciplinaire en science des données, principalement dans les domaines d’excellence des membres d’IVADO: la recherche opérationnelle, l’apprentissage machine, les sciences de la décision.
  • Faire progresser ces même domaines internationalement. Y confirmer et renforcer la position des membres d’IVADO, de Montréal et du Canada.
  • Former les futurs acteurs du milieu.
  • Poser les bases de recherche subséquentes, fondamentales ou appliquées.

Échéances

  • Annonce: avril 2017
  • Date limite de présentation de la demande: 15 juin 2017
  • Date prévue de la décision: 15 octobre 2017
  • Date de début du financement: 1er novembre 2017

Domaines supportés

Le programme de financement de projets de recherche exploratoire d’IVADO soutient la recherche fondamentale 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, les ressources et énergie, les services d’information et le commerce).

La recherche soutenue par ce programme doit être collaborative et multidisciplinaire, qu’il s’agisse de plusieurs approches méthodologiques (apprentissage machine, recherche opérationnelle, sciences de la décision), ou bien d’une approche méthodologique combinée avec une expertise dans un domaine d’application.

Fonds disponibles

Pour ce premier concours, de l’ordre de 10 projets pour un financement typique entre 50k$ et 100k$ par an, pour deux ans, seront sélectionnés. Le maximum admissible est de 300k$ répartit sur deux ans. Une partie du budget total disponible est réservé aux bourses pour étudiants des 1er, 2ème et 3ème cycles et les stagiaires post-doctoraux; les candidats sont incités à présenter un budget dans lequel au moins deux tiers (66%) des dépenses entrent dans cette catégorie.

Admissibilité des candidats et co-candidats

  • Le chercheur principal devra être un professeur de l’un des établissements de Campus Montréal: HEC, École Polytechnique ou Université de Montréal.
  • Les professeurs de l’Université d’Alberta et de l’Université McGill peuvent aussi être chercheurs principaux à condition d’être aussi membres d’un groupe de recherche d’IVADO (MILA, CIRRELT, GERAD, CERC Science des données)
  • L’équipe devra être composée d’au moins deux professeurs. Les post-doctorants sont admis à être membres de l’équipe.
  • Les membres de l’équipe ne doivent pas avoir tous leur affiliation principale dans le même département.
  • Il n’est pas possible d’être le chercheur principal de plusieurs demandes.

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.

Coûts admissibles

Ce programme permet le financement:

  • d’étudiants aux 1er, 2ème et 3ème cycles;
  • de stagiaires postdoctoraux;
  • de professionnels;
  • de frais de déplacement;
  • de matériel, logiciel, bases de données et accès à des ressources de calcul.

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 subvention sera transmis au Bureau de la recherche de l’établissement d’attache du chercheur principal, qui l’administrera suivant ses propres règles.
  • Au terme des deux années de 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.

Diffusion des données de recherche

  • Les équipes financées seront soumises à la Politique des trois organismes sur le libre accès aux publications (http://www.science.gc.ca/eic/site/063.nsf/fra/h_F6765465.html ). Les équipes sont encouragées à rendre publiques le plus possible de leurs productions de recherche (publications, enregistrement d’interventions orales, code source, bases de données, etc.), dans le respect des règles de propriétés intellectuelle.
  • Le support d’IVADO et du programme Apogée doit être reconnu lors de la diffusion de résultats de recherche.

 

Tri administratif

Les propositions passeront par une phase d’évaluation administrative qui rejettera les dossiers dans les situations :

  • où ils ne respectent pas les contraintes de format (sections absentes, nombre de pages excessif, …);
  • où ils ne sont pas présentés par un professeur admissible;
  • où le même chercheur principal présente plusieurs demandes;
  • où tous les membres de l’équipe proviennent d’un même département.

Critères d’évaluation

L’évaluation des projets sera basée à parts égales sur, d’une part:

  1. Projet de recherche
    • Adéquation avec le thème du programme de financement:
      • projet multidisciplinaire en science des données au sens large,
      • impliquant les domaines d’excellence des membres d’IVADO: la recherche opérationnelle, l’apprentissage machine, les sciences de la décision.
    • Importance des impacts anticipés, excellence de la recherche, originalité.
    • Faisabilité du projet, pertinence de la méthodologie.
    • Clarté de la proposition.
    • Existence d’un budget raisonnable et bien justifié selon les objectifs

et d’autre part:

  1. Équipe et individus
    • Excellence des chercheurs impliqués dans la demande en fonction de leur niveau d’avancement dans leur carrière..
    • Justification de la constitution de l’équipe (adéquation entre l’équipe et le projet de recherche, multiplicité des champs d’expertise des membres).
    • Présence de chercheurs en début de carrière (professeurs récemment embauchés, post-doctorants).
  2. Opportunités de formation
    • Implication d’étudiants aux trois cycles
    • Implication de chercheurs post-doctoraux
    • Embauche et formation de professionnels de recherche
  3. Cohérence avec les autres objectifs d’Apogée et IVADO
    • Présence dans l’équipe
      • de chercheurs en dehors de Montréal;
      • de chercheurs post-doctoraux financés par IVADO;
      • de professeurs recrutés dans le cadre du programme IVADO.
    • Collaborations internationales
    • Validité du plan de diffusion des résultats
    • Intégration dans un programme de recherche plus vaste et avec des échéances plus longues.
    • Efforts sur la représentativité et la diversité dans la composition de l’équipe ou les intentions de recrutement (femmes, minorités, …). Les chercheurs sont encouragés à travailler sur la représentativité lors de la composition de l’équipe et lors du recrutement.

Processus

Chaque demande sera examinée par deux évaluateurs locaux et deux évaluateurs externes, choisis parmi des personnes familières du domaine de la demande. Les collaborateurs directs (co-encadrements ou co-publications récentes) de membres d’équipe candidates ne participeront pas aux évaluations de ces dossiers.

Le comité d’évaluation est constitué de l’ensemble des évaluateurs, ainsi que, comme observateurs, du directeur des programmes scientifiques d’IVADO et d’un représentant des Bureaux de la recherche. Ce comité se rassemblera pour déterminer un classement des demandes en fonction de leurs mérites respectifs (voir critères d’évaluation). Ce classement déterminera le financement des projets.

Sur la base de critères liés à l’enveloppe budgétaires, le comité de sélection pourra réajuster les budgets demandés.

Chaque dossier recevra des commentaires de la part du comité d’évaluation.

Dépôt de la demande

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

Éléments de la demande

  • Nom et affiliation du chercheur principal
  • Nom et affiliation des autres membres de l’équipe
  • Pour chaque participant, un CV sous un format non contraint, mais répertoriant au moins les 5 dernières années de publications et d’activités (le CV commun canadien – CRSNG est suggéré)
  • Liste de mots clés liés à la demande, précisant entre autres les domaines méthodologiques, les champs d’application éventuels, etc.
  • Justification de la constitution de l’équipe (½ page max)
  • Description du projet de recherche (4 p. max)
  • Liste de références (1p. max)
  • Budget demandé, détaillant:
    • bourses aux 1er, 2ème et 3ème cycles;
    • stagiaires postdoctoraux;
    • professionnels;
    • frais de déplacement;
    • matériel, logiciel, bases de données et accès à des ressources de calcul.
  • Justification budgétaire faisant le lien entre le projet de recherche et le financement demandé (2 pages max.)
  • Plan de diffusion des résultats (1 page max.)
    • Objectifs de publication, participation à des congrès, organisation locale d’une journée de clôture de projet, d’un atelier, …
  • Plan de formation des PHQ (1 page max.)
  • Quatre options d’évaluateur externe.

Bilan

Au terme des deux années de financement, le chercheur principal doit produire un rapport final comprenant:

  • bilan du projet.
  • liste des publications.
  • liste des participations à des événements.
  • Liste des étudiants financés, leurs coordonnées et résumé de leur participation (dans le respect des règles de gestion de données personnelles).
  • Rapport financier.
  • liste des activités de diffusions des connaissances organisées ou auxquelles l’équipe a participé ou collaboré.
  • Nouveaux financements obtenus ou demandés sur la base des travaux réalisés durant ce projet.

Tant que ce rapport n’aura pas été reçu, le chercheur principal ne pourra pas faire de nouvelles demandes de financement auprès d’IVADO.

Contacts

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

FAQ

  • Je dois soumettre mon budget révisé. Quelles information mettre dedans?

Les informations dont nous avons besoin sont réparties par années, pour les éléments suivants:

  1. Salaires/bourses (Post-docs, Doctorats, professionnels…)
  2. Diffusion des résultats de la recherche et réseautage (organisation de conférences, publications, site web, …)
  3. Frais de déplacement et de séjour (participation à des conférences, invitations de chercheurs, …)
  4. Contributions externes
  5. Autres

Nous vous recommandons de vous baser sur l’exemple disponible sur la page http://bit.ly/2017-pgmRech_budget .

  • Y a-t-il différentes catégories de membres dans l’équipe?

Nous ne faisons pas de distinction entre co-chercheurs, codemandeurs, collaborateurs, etc. Ces distinctions éventuelles sont à déterminer entre les membres de l’équipe. Les droits et devoirs de chacun en regard de la subvention sont déterminés par leur affiliation et leur statut professionnel. Par exemple, un étudiant doctoral membre de l’équipe peut recevoir une bourse, mais ne peut pas administrer de fonds.

 

  • Que signifie « collaborations internationales »?

La définition est très large: tout ce qui va favoriser les relations de travail avec les autres provinces canadiennes et les autres pays du monde. Tout ce qui a un lien avec l’intégration dans un réseau international, la présence dans l’équipe de collaborateurs étrangers, de professeurs invités ou en sabbatique; la planification de co-encadrements, de co-publication ou d’organisation d’événements internationaux. L’intégration des activités dans dans des conventions de partenariats existantes entre votre université et d’autres, etc.

 

  • Quels sont les professeurs éligibles à participer à une demande?

Il y a deux types de contraintes: les contraintes d’affiliation et les contraintes de statut. Les deux doivent être respectées pour être éligible.

Pour les membres de l’équipe, il n’y a pas de contrainte ni de statut ni d’affiliation.

Pour le chercheur principal (demandeur), les contraintes d’affiliation sont d’être professeur:

  • soit à HEC Montréal, Polytechnique Montréal ou l’Université de Montréal, sans autres contraintes
  • soit à l’Université McGill ou l’université d’Alberta, mas ces professeurs doivent en plus être membres de l’un des groupes de recherche suivants: CIRRELT, GERAD, MILA ou Chaire d’Excellence de Recherche du Canada en prise de décision en temps réel.

Pour le chercheur principal, les statuts admissibles (que nous résumons par “professeur”) sont:

  • Professeur adjoint (assistant professor), Professeur agrégé (associate or regular professor), professeur titulaire (full professor)
  • Professeur sous octroi
  • Professeur chercheur
  • Chercheur invité

Ne sont pas admissibles, explicitement:

  • Les professeurs associés

Un changement de statut ou d’affiliation du chercheur principal en cours de subvention pourrait mener à l’arrêt de celle-ci.

 

  • Comment est partagée la propriété intellectuelle?

Dans le cadre de ce programme, IVADO n’intervient pas à ce niveau. Les accords sur la propriété intellectuelle doivent être réglés entre les membres de l’équipe, avec l’aide des interlocuteurs habituels dans leurs établissements: bureaux de la recherche, services juridiques, etc.

 

  • Les quatre domaines Apogée (Transport et logistique; Santé et recherche biomédicale; Commerce et service d’information; Énergie) sont ils exclusifs, prioritaires, ou indicatifs?

Pour le concours 2017, ces domaines sont favorisés, mais tout autre domaine d’application est recevable. Notez qu’il n’est pas nécessaire d’avoir un domaine d’application; des travaux méthodologique fondamentaux à l’intersection des l’apprentissage automatique, de la recherche opérationnelle et des sciences de la décision sont aussi éligibles.

 

  • Un domaine d’application hors-Canada est il recevable (p.ex., étude sur une maladie tropicale)?

Oui, tant que la recherche est faite au Canada, et qu’elle rentre par ailleurs dans les domaines financés.

 

  • Travailler sur un modèle mathématique avancé qui ne fait pas appel à l’apprentissage automatique est-il admissible?

Oui, ce modèle peut parfaitement s’intégrer dans une approche de simulation (recherche opérationnelle) ou d’aide à la décision, par exemple. Plus l’usage du modèle s’éloignera de ces domaines, moins le projet sera prioritaire.

 

  • Existera-t-il un période de grâce pour utiliser le financement au delà des 2 ans?

Oui, mais les conditions exactes restent à définir.

 

  • Comment se formalise le critère d’éligibilité pour la multidisciplinarité des équipes et des projets?

Pour 2017, il s’agit de contraintes « faibles », mais simples et formelles, pour aborder la multidisciplinarité

  • Pour les équipes: tous les membres ne peuvent pas avoir leur affiliation dans le même département de la même université. Ils peuvent être tous membres du même groupe de recherche sans que cela n’influe sur l’éligibilité.
  • Pour les projets: “La recherche soutenue par ce programme doit être collaborative et multidisciplinaire, qu’il s’agisse de plusieurs approches méthodologiques (apprentissage machine, recherche opérationnelle, sciences de la décision), ou bien d’une approche méthodologique combinée avec une expertise dans un domaine d’application.”

 

  • Les cases du formulaire sont trop petites pour noter complètement l’affiliation.

Cela ne nous empêche pas de récupérer toute l’information à partir de la version électronique, même si tout n’est pas visible à l’écran ou une fois imprimé.

 

  • A-t-on besoin de fournir les cv des membres de l’équipe étrangers, ou industriels?

Les membres de l’équipe doivent être choisis en relation avec le projet de recherche proposé et la composition de l’équipe correspond à un des critères d’évaluation. Pour pouvoir être évalués, les membres de l’équipe doivent fournir un cv, y compris les étrangers et les industriels.

 

  • À quelle date aurais-je une réponse concernant mon dossier?

Vous aurez une réponse le 15 octobre (voir section « Généralités » pour plus de détails)

 

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

Soumission

Le dossier de candidature se compose:

  • De ce formulaire, rempli.
  • Des CV du chercheur principal et des membres de l’équipe.
  • De la justification de la constitution de l’équipe (½ page max.)
  • De la description du projet (4 pages max.)
  • De la liste de références (1 page max.)
  • Du budget.
  • De la justification budgétaire(2 pages max.)
  • Du plan de diffusion des résultats (1 page max.)
  • Du plan de formation des PHQ (1 page max.)

Il doit être envoyé à programmes-recherche@ivado.ca , en copie conforme (CC) aux membres de l’équipe, idéalement sous la forme d’un seul fichier pdf.

  • Bram Adams (Polytechnique Montréal): A Real-time, Data-driven Field Decision Framework for Large-scale Software Deployments
    • As large e-commerce systems need to maximize their revenue, while ensuring customer quality and minimizing IT costs, they are constantly facing major field decisions like « Would it be cost-effective for the company to deploy additional hardware resources for our premium users?” This project will build a real-time, data-driven field decision framework exploiting customer behaviour and quality of service models, release engineering and guided optimization search. It will benefit both Canadian software industry and society, by improving the quality of service experienced by Canadians.
  • Jean-François Arguin (Université de Montréal): Machine learning for the analysis of the Large Hadron Collider Data at CERN
    • The Large Hadron Collider (LHC) is one of the most ambitious experiment ever conducted. It collides protons together near the speed of light to reproduce the conditions of the Universe right after the Big Bang. It possesses all the features of Big Data: 1e16 collisions are produced each year, each producing 1000 particles and each of these particle leaving a complex signature in the 100 million electronic channels of the ATLAS detector. This project will initiate a collaboration between data scientists and physicists to develop the application of machine learning to the analysis of the LHC data.
  • Olivier Bahn (HEC Montréal): Valorisation des données et Optimisation Robuste pour guider la Transition Énergétique vers des réseauX intelligents à forte composante renouvelable (VORTEX)
    • Une modélisation multiéchelles consistant en une famille de modèles hiérarchisés et opérant à des échelles de temps croissantes (journée / semaine à mois / horizon de trente ans), et des outils mathématiques adaptés (jeux à champ moyen répétés, apprentissage machine, optimisation convexe et robuste), sont proposés comme base pour une gestion raisonnée de la transition vers des réseaux électriques intelligents à forte composante renouvelable. Notre projet proposera en particulier des outils pour aider à la maîtrise de la demande énergétique dans un contexte régional.
  • Yoshua Bengio (Université de Montréal): Data-driven Transplantation Science
    • End-stage kidney disease is a severe condition with a rising incidence, currently affecting over 40,000 Canadians.
      The decision to accept or refuse an organ for transplantation is an important one, as the donor’s characteristics are strongly associated with the long-term survival of the transplanted kidney. In partnership with their health care provider, the transplant candidates need to answer two questions: (1) How long is the kidney from this specific donor expected to last for me? (2) If I refuse this specific donor, how much longer am I expected to wait before getting a better kidney?
      We propose to use deep learning to predict the success of a possible matching. The results will contribute to build a clinical decision support tool answering the two questions above and helping transplant physicians and candidates to make the best decision. In addition, the quality of the matching can be the input of optimization algorithms designed to improve social welfare of organ allocations.
  • Michel Bernier (Polytechnique Montréal): Développement d’une méthodologie pour l’’utilisation des données massives issues de compteurs intelligents pour modéliser un parc de bâtiments
    • Les données disponibles grâce à la généralisation des compteurs communicants représentent une grande opportunité pour améliorer les modèles de parc de bâtiments et les modèles plus généraux de flux énergétiques, mais les connaissances fondamentales à ce sujet sont encore limitées. Le présent projet vise à y remédier en développant une méthodologie permettant d’’utiliser les données massives des compteurs électriques communicants pour caractériser et calibrer, notamment par modélisation inverse, des archétypes de bâtiments qui pourront être intégrés dans le modèle TIMES.
  • Guillaume-Alexandre Bilodeau (Polytechnique Montréal): Road user tracking and trajectory clustering for intelligent transportation systems
    • While traffic cameras are a mainstay of traffic management centers, video data is still most commonly watched by traffic operators for traffic monitoring and incident management. There are still few applications of computer vision in ITS, apart from integrated sensors for specific data extraction such as road users (RUs) counts. One of the most useful data to extract from video is the trajectory of all RUs, including cars, trucks, bicycles and pedestrians. Since traffic videos include many RUs, finding their individual trajectory is challenging. Our first objective is therefore to track all individual RUs. The second objective is to interpret the very large number of trajectories that can be obtained. This can be done by clustering trajectories, which provides the main motions in the traffic scene corresponding to RU activities and behaviors, along with their frequency or probability. Results of this research will be applicable for traffic monitoring in ITS and for self-driving cars.
  • François Bouffard (McGill University): The Electricity Demand Response Potential of the Montreal Metropolitan Community: Assessment of Potential Impacts and Options
    • This project will develop a clear understanding of the potential benefits and trade-offs of key stakeholders for deploying significant electric power demand response (DR) in the Montreal Metropolitan Community (MMC) area. It is motivated primarily by the desire of Hydro-Québec to increase its export potential, while at the same time by the need to assess DR deployment scenarios and their impacts on the people and businesses of the MMC. Data science is at the heart of this work which will need to discover knowledge on electricity consumption in order to learn how to leverage and control its flexibility.
  • Tolga Cenesizoglu (HEC Montréal): Real-time Optimal Order Placement Strategies and Limit Order Trading Activity
    • Our primary objective is to identify how institutional investors can reduce their risk and trading costs by optimizing when and how to execute their trades. Limit order trading activity is an important state variable for this optimization problem in today’s financial markets where most liquidity is provided by limit orders. We thus plan to first analyze how risk and trading costs are affected by limit order trading activity using a novel, large-scale, ultra-high-frequency trading data set. We will then use our findings to guide us in modeling these effects and devising real-time optimal order placement strategies.
  • Laurent Charlin (HEC Montréal): Exploiting ML/OR Synergies for Assortment Optimization and Recommender Systems
    • We propose to exploit synergies between assortment optimization and recommender systems on the application level, and the interplay between machine learning and mathematical programming on the methodological level. Rank-based choice models, estimated in a purely data-driven manner will introduce diversity into recommender systems, and supervised learning methods will improve the scalability and efficiency of assortment optimization in retail.
  • Julien Cohen (Polytechnique Montréal): Transformative adversarial networks for medical imaging applications
    • Following the concept of Generative adversarial networks (GANs), we propose to explore transformative adversarial training techniques where our goal is to transform medical imaging data to a target reference space as a way of normalizing them for image intensity, patient anatomy as well as the many other parameters associated with the variability inherent to medical images. This approach will be investigated both for data normalization and data augmentation strategy, and will be tested in several multi-center clinical data for lesion segmentation and/or classification (diagnosis).
  • Patrick Cossette (Université de Montréal): Towards personalized medicine in the management of epilepsy: a machine learning approach in the interpretation of large-scale genomic data
    • Nous proposons de développer un Environnement Numérique d’’ Apprentissage Intelligent (ENAI) qui visera le changement de comportements de santé chez les individus en santé ou en prévention secondaire suite à un événement cardiaque et la mise en pratique d’interventions de counseling par les professionnels de la santé pour réduire le risque de maladies cardiovasculaires. L’’ENAI sera développé à partir des principes de l’’intelligence artificielle, en intégrant les réactions cognitives et émotives des utilisateurs. Enfin, nous examinerons l’’effet préliminaire de l’ENAI.
  • Benoit Coulombe (Université de Montréal): A machine learning approach to decipher protein-protein interactions in human plasma
    • Proteins circulating in the human bloodstream make very useful and accessible clinical biomarkers for disease diagnostics, prognostics and theranostics. Typically, to perform their functions, proteins will interact with other molecules, including other proteins. These protein-protein interactions provide valuable insights into a protein’s role and function in humans; it can also lead to the discovery of novel biomarkers for diseases in which the protein of interest is involved. However, the identification of such interactions in human plasma is highly challenging. The lack of proper biochemical controls, which are inherently noisy, makes the confidence assessment of these interactions very difficult. We therefore propose to develop a novel machine learning approach that will extract the relevant signal from noisy controls to confidently decipher the interactome of clinically-relevant proteins circulating in the human bloodstream with the ultimate goal of identifying novel biomarkers.
  • Michel Denault (HEC Montréal): Simulation and regression approaches in hydropower optimization
    • We develop optimization algorithms based on dynamic programming with simulations and regression, essentially Q-learning algorithms. Our main application area is hydropower optimization, a stochastic control problem where optimal releases of water are sought at each point in time.
  • Michel Desmarais (Polytechnique Montréal): Matching individuals to review tasks based on topical expertise level
    • The task of selecting an expert to review a paper addresses the general problem of finding a match between a human and an assignment based on the quality of expertise alignment between the two. State of the art approaches generally rely on modeling reviewers as a distribution of topic expertise, or as a set of keywords. Yet, two expert can have the same relative topic distribution and have wide differences in their depth of understanding. A similar argument can be made for papers. The objective of this proposal is to enhance the assignment approach to include the notions of (1) reviewer mastery of a topic, and (2) paper topic sophistication. Means to assess each aspect are proposed, along with approaches to assignments based on this additional information.
  • Georges Dionne (HEC Montréal): Asymmetric Information Tests with Dynamic Machine Learning and Panel Data
    • To our knowledge, the econometric estimation of dynamic panel data models with machine learning is not very developed and tests for the presence of asymmetric information in this environment are lacking. Most often, researchers assume the presence of asymmetric information and propose models (sometimes dynamic) to reduce its effects but do not test for residual asymmetric information in final models. Potential non-optimal pricing of financial products may still be present. Moreover, it is often assumed that asymmetric information is exogenous and related to unobservable agent characteristics (adverse selection) without considering agents’ dynamic behavior over time (moral hazard). Our goal is to use machine learning models to develop new tests of asymmetric information in large panel data sets where the dynamic behavior of agents is observed. Applications in credit risk, high frequency trading, bank securitization, and insurance will be provided.
  • Marc Fredette (HEC Montréal): Improving the prediction of the emotional and cognitive experience of users (UX) in interaction with technology using deep learning.
    • The objective of this research project is to leverage new advances in artificial intelligence, and more specifically deep learning approaches, to improve the prediction of emotional and cognitive experience of users (UX) in interaction with technology. What users experience emotionally and cognitively when interacting with an interface is a key determinant of the success or failure of digital products and services. Traditionally, user experience has been assessed with post hoc explicit measures, (i.e. such as questionnaires. However, these measures are unable to capture the states of users while they interact with technology. Researchers are turning to neuroscience implicit measures to capture the user’s states through psychophysiological inference. Deep learning has recently enabled other fields such as image recognition to make significant progress and we expect that it will do the same for psychophysiological inference, allowing the automatic modeling of complex feature sets.
  • Geneviève Gauthier (HEC Montréal): L’utilisation des données financières à haute fréquence pour l’estimation de modèles financiers complexes
    • Les modèles de marché permettant de reproduire la complexité des interactions entre l’actif sous-jacent et les options requièrent une complexité qui rend leur estimation très difficile. Ce projet de recherche propose d’utiliser les données financières d’options à haute fréquence afin de mieux mesurer et gérer les différents risques du marché.
  • Michel Gendreau (Polytechnique Montréal): Nouvelles approches pour la modélisation et la résolution de problèmes de livraisons à domicile.
    • Ce projet porte sur le développement de nouvelles approches permettant de mieux aborder les problèmes de livraisons à domicile qui, suite à l’avènement généralisé du commerce électronique, ont connu un essor très important au cours de la dernière décennie. Une partie des travaux portera sur la modélisation même de ces problèmes, notamment en ce qui concerne les objectifs poursuivis par les expéditeurs. Le reste du projet visera sur le développement d’’heuristiques et de méta-heuristiques à la fine pointe des connaissances pour la résolution efficace de problèmes de grande taille.
  • Bernard Gendron (Université de Montréal): Optimization and machine learning for fleet management of autonomous electric shuttles
    • Recently, a Canada-France team of 11 researchers led by Bernard Gendron (DIRO-CIRRELT, UdeM) has submitted an NSERC-ANR strategic project « Trustworthy, Safe and Smart EcoMobility-on-Demand », supported by private and public partners on both sides of the Atlantic: in Canada, GIRO and the City of Montreal; in France, Navya and the City of Valenciennes. The objective of this project is to develop optimization models and methods for planning and managing a fleet of autonomous electric shuttle vehicles. As a significant and valuable additional contribution to this large-scale project, we plan to study the impact of combining optimization and machine learning to improve the performance of the proposed models and methods.
  • Julie Hussin (Université de Montréal): Deep Learning Methods in Biomedical Research: from Genomics to Multi-Omics Approaches
    • Deep learning approaches represent a promising avenue to make important advances in biomedical science. Here, we propose to develop, implement and use deep learning techniques to combine genomic data with multiple types of biomedical information (eg. other omics datasets, clinical information) to obtain a more complete and actionable picture of the risk profile of a patient. In this project, we will be addressing the important problem of missing data and incomplete datasets, evaluating the potential of these approaches for prediction of relevant medical phenotypes in population and clinical samples, and developing integration strategies for large heterogeneous datasets. The efficient and integrated use of multiomic data could lead to the improvement of disease risk and treatment outcome predictions in the context of precision medicine.
  • Sébastien Jacquemont (Université de Montréal): Modeling and predicting the effect of genetic variants on brain structure and function
    • Neurodevelopmental disorders (NDs) represent a significant health burden. The genetic contribution to NDs is approximately 80%. Whole genome testing in pediatrics is a routine procedure and mutations contributing significantly to neurodevelopmental disorders are identified in over 400 patients every year at the Sainte Justine Hospital. However, the impact of these mutations on cognition and brain structure and function is mostly unknown. However, mounting evidence suggests that genes that share similar characteristics produce similar effects on cognitive and neural systems.
      Our goal: Develop models to understand the effects of mutations, genome-wide, on cognition, brain structure and connectivity.
      Models will be developed using large cohorts of individuals for whom, genetic, cognitive and neuroimaging data was collected.
      Deliverable: Algorithms allowing clinicians to understand the contribution of mutations to the neurodevelopmental symptoms observed in their patients.
  • Karim Jerbi (Université de Montréal): From data-science to brain-science: AI-powered investgation of the neuronal determinants of cognitive capacities in health, aging and dementia
    • Artificial intelligence is revolutionizing science, technology and almost all aspects of our society. Learning algorithms that have shown astonishing performances in computer vision and speech recognition are also expected to lead to qualitative leaps in biological and biomedical sciences. In this multi-disciplinary research program, we propose to investigate the possibility of boosting information yield in basic and clinical neuroscience research by applying data-driven approaches, including shallow and deep learning, to electroencephalography (EEG) and magnetoencephalography (MEG) data in (a) healthy adults, and aging populations (b) with or (c) without dementia. The proposal brings together several scientists with expertise in a wide range of domains, ranging from data science, mathematics and engineering to neuroimaging, systems, cognitive and clinical neuroscience.
  • Philippe Jouvet (Université de Montréal): Clinical data validation processes: the example of a clinical decision support system for the management of Acute Respiratory Distress Syndrome (ARDS)
    • In healthcare, data collection has been designed to document clinical activity for reporting, rather than for developing new knowledge. In this proposal, part of a research program on clinical decision support systems in real time in critical care, machine learning researchers and clinicians plan to generate algorithms to manage data corruption and data complexity using a unique research dataware house collecting hudge critically ill children data.
  • Aurelie Labbe (HEC Montréal): Data analytics methods for travel time estimation in transportation engineering
    • Travel time is considered as one of the most important performance measures in urban mobility. It is used by both network operators and drivers as an indicator of quality
      of service or as a metric influencing travel decisions. This proposal tackles the issue of travel time prediction from several angles: i) data pre-processing (map-matching), ii) short-term travel time prediction and iii) long-term travel time prediction. These tasks will require the development of new approaches in statistical and machine learning to adequately model GPS trajectory data and to quantify the prediction error.
  • Frederic Leblond (Polytechnique Montréal): Machine learning technology applied to the discovery of new vibrational spectroscopy biomarkers for the prognostication of intermediate-risk prostate cancer patients
    • Prostate cancer is the most frequent cancer among Canadian men, with approximately 25,000 diagnoses per year. Men with high risk and low risk disease almost always experience predictable disease evolution allowing optimal treatment selection. However, none of the existing clinical tests, imaging techniques or histopathology methods can be used to predict the fate of men with intermediate-risk disease. This is the source of a very important unmet clinical need, because while some of these patients remain free of disease for several years, in others cancer recurs rapidly after treatment. Using biopsy samples in tissue microarrays from 104 intermediate-risk prostate cancer patients with known outcome, we will use a newly developed Raman microspectroscopy technique along with machine learning technology to develop inexpensive prognostic tests to determine the risk of recurrence allowing clinicians to consider more aggressive treatments for patients with high recurrence risk.
  • Pierre Lecuyer (Université de Montréal): Monte Carlo and Quasi-Monte Carlo Methods for Optimization and Machine Learning
    • The use of Monte Carlo methods (aka, stochastic simulation) has grown tremendously in the last few decades. They a now a central ingredient in many areas, including computational statistics, machine learning, and operations research. Our aim in this project is to study Monte Carlo methods and improve their efficiency, with a focus on applications to statistical modeling with big data, machine learning, and optimization. We are particularly interested in developing methods for which the error converges at a faster rate than straightforward Monte Carlo. We plan to free software that implements these methods.
  • Eric Lecuyer (Université de Montréal): Developing a machine learning framework to dissect gene expression control in subcellular space
    • Our multidisciplinary team will develop and use an array of machine learning approaches to study a fundamental but poorly understood process in molecular biology, the subcellular localization of messenger RNAs, whereby the transcripts of different human genes are transported to various regions of the cell prior to translation. The project will entail the development of new learning approaches (learning from both RNA sequence and structure data, phylogenetically related training examples, batch active learning) combined with new biotechnologies (large-scale assays of both natural and synthetic RNA sequences) to yield mechanistic insights into the « localization code » and help understand its role in health and disease.
  • Sébastien Lemieux (Université de Montréal): Deep learning for precision medicine by joint analysis of gene expression profiles measured through RNA-Seq and microarrays
    • This project aims at developing domain adaptation techniques to enable the joint analysis of gene expression profiles datasets acquired using different technologies, such as RNA-Seq and microarrays. Doing so will leverage the large number of gene expression profiles publicly available, avoiding the typical problems and limitations caused by working with small datasets. More specifically, methods developed will be continuously applied to datasets available for Acute Myeloid Leukemia in which the team has extensive expertise.
  • Andrea Lodi (Polytechnique Montréal): Machine Learning for (Discrete) Optimization
    • The interaction between Machine Learning and Mathematical Optimization is currently one of the most popular topics at the intersection of Computer Science and Applied Mathematics. While the role of Continuous Optimization within Machine Learning is well known, and, on the applied side, it is rather easy to name areas in which data-driven Optimization boosted by / paired with Machine Learning algorithms can have a game-changing impact, the relationship and the interaction between Machine Learning and Discrete Optimization is largely unexplored. This project concerns one aspect of it, namely the use of modern Machine Learning techniques within / for Discrete Optimization.
  • Alejandro Murua (Université de Montréal): Gibbs-repulsion and determinantal processes for statistical learning
    • Non-parametric Bayesian models are very popular for density estimation and clustering. However, they have a tendency to use too many mixture components due to their use of independent parameter priors. Repulsion processes priors such as determinantal processes, solve this issue by putting higher mass on parameter configurations for which the mixture components are well separated. We propose the use of Gibbs-like repulsion processes which are locally determinantal, or adaptive determinantal processes as priors for modeling density estimation, clustering, and temporal and/or spatial data.
  • Marcelo Vinhal Nepomuceno (HEC Montréal): Using machine learning to uncover how marketer-generated post content is associated with user-generated content and revenue
    • This projects proposes how machine learning can be used to improve a company’s communication with its customers in order to increase sales. To that end, we will identify how broadcaster-generated content is associated with user-generated content and revenue measures. In addition, we intend to automate the identification of post content, and to propose personalized recurrent neural networks to identify the writing styles of brands and companies and automate the creation of online content.
  • Dang Khoa Nguyen (Université de Montréal): Real-time detection and prediction of epileptic seizures using deep learning on sparse wavelet representations
    • Epilepsy is a chronic neurological condition in which about 20% of patients do not benefit from any form of treatment. In order to diminish the impact of recurring seizures on their lives, we propose to exploit the potential of artificial intelligence techniques for predicting the occruence of seizures and detecting their early onset, such as to issue warnings to patients. The aim of this project is thus to develop an efficient algorithm based on deep neural networks for performing real-time detection and prediction of seizures. This work will pave the way for the development of intelligent implantable sensors coupled with alert systems and on-site treatment delivery.
  • Jian-Yun Nie (Université de Montréal): Knowledge-based inference for question answering and information retrieval
    • Question answering (QA) is a typical NLP/AI problem with wide applications. A typical approach first retrieves relevant text passages and then determines the answer from them. These steps are usually performed separately, undermining the quality of the answers. In this project, we aim at developing new methods for QA in which the two steps can benefit from each other. On one hand, inference based on a knowledge graph will be used to enhance the passage retrieval step; on the other hand, the retrieved passages will be incorporated into the second step to help infer the answer. We expect the methods to have a higher capability of determining the right answer.
  • Jean-François Plante (HEC Montréal): Statistical modelling with distributed systems
    • Statistical inference requires a large toolbox of models and algorithms that can accommodate different structures in the data. Modern datasets are often stored on distributed systems where the data are scattered across a number of nodes with limited bandwidth between them. As a consequence, many complex statistical models cannot be computed natively on those clusters. In this project, we will advance statistical modeling contributions to data science by creating solutions that are ideally suited for analysis on distributed systems.
  • Doina Precup (McGill University): Learning independently controllable features with application to robotics
    • Learning good representations is key for intelligent systems. One intuition is that good features will disentangle distinct factors that explain variability in the data, thereby leading to the potential development of causal reasoning models. We propose to tackle this fundamental problem using deep learning and reinforcement learning. Specifically, a system will be trained to discover simultaneously features that can be controlled independently, as well as the policies that control them. We will validate the proposed methods in simulations, as well as by using a robotic wheelchair platform developed at McGill University .
  • Marie-Ève Rancourt (HEC Montréal): Analytics and optimization in a digital humanitarian context
    • When responding to humanitarian crises, the lack of information increases the overall uncertainty. This hampers relief efforts efficiency and can amplify the damages. In this context, technological advances such as satellite imaging and social networks can support data gathering and processing to improve situational awareness. For example, volunteer technical communities leverage ingenious crowdsourcing solutions to make sense of a vast volume of data to virtually support relief efforts in real time. This research project builds on such digital humanitarianism initiatives through the development of innovative tools that allow evidence-based decision making. The aim is to test the proposed methodological framework to show how data analytics can be combined with optimization to process multiple sources of data, and thus provide timely and reliable solutions. To this end, a multidisciplinary team will work on two different applications: a sudden-onset disaster and a slow-onset crisis.
  • Louis-Martin Rousseau (Polytechnique Montréal): Learning representations of uncertainty for decision making processes
    • Decision support and optimization tools are playing an increasingly important role in today’s economy. The vast majority of such systems, however, assume the data is either deterministic or follows a certain form of theoretical probability functions. We aim to develop data driven representations of uncertainty, based on modern machine learning architectures such as probabilistic deep neural networks, to capture complex and nonlinear interactions. Such representations are then used in stochastic optimization and decision processes in the fields of cancer treatment, supply chain and finance.
  • Nicolas Saunier (Polytechnique Montréal): Fundamental Challenges for Big Data Fusion and Strategic Transportation Planning
    • As more and more transportation data becomes continuously available, transportation engineers and planners are ill-equipped to make use of it in a systematic and integrated way. This project aims to develop new machine learning methods to combine transportation data streams of various nature, spatial and temporal definitions and pertaining to different populations. The resulting model will provide a more complete picture of the travel demand for all modes and help better evaluate transportation plans. This project will rely on several large transportation datasets.
  • Yvon Savaria (Polytechnique Montréal): Optimised Hardware-Architecture Synthesis for Deep Learning
    • Deep learning requires considerable computing power. Computing power can be improved significantly by designing application specific computing engines dedicated to deep learning. The proposed project consists of designing and implementing a High Level Synthesis tool that will generate an RTL design from the code of an algorithm. This tool will optimize the architecture, the number of computing units, the length and representation of the numbers and  the important parameters of the various memories generated.
  • Mohamad Sawan (Polytechnique Montréal): Equilibrium Propagation Framework: Analog Implementation for Improved Performances (Equipe)
    • The main aim of this project is to implement the Equilibrium Propagation (EP) algorithm in analog circuits, rather than digital building blocks, to take advantage of their higher computation speed and power efficiency. EP involves minimization of an energy function, which requires a long relaxation phase that is costly (in terms of time) to simulate on digital hardware. But it can be accelerated through analog circuit implementation. Two main implementation phases in this project are: (1) Quick prototyping and proof of concep using an FPAA platform (RASP 3.0), and (2) High performance custom System-on-Chip (SoC) implementation using a standard CMOS process e.g. 65nm to optimize the area, speed, and power consumption.
  • François Soumis (Polytechnique Montréal): Combiner l’apprentissage automatique et la recherche opérationnelle pour traiter plus rapidement les grands problèmes d’horaires d’équipages aériens
    • Nous travaux récents portent sur le développement d’’algorithmes d’’optimisation exacts qui profitent de l’’information a priori sur les solutions attendues pour réduire le nombre de variables et de contraintes à traiter simultanément. L’objectif est de développer un système d’apprentissage machine pour obtenir l’’information permettant d’accélérer le plus possible ces algorithmes d’’optimisation, pour traiter de plus grands problèmes d’’horaires d’’équipages aériens. Ce projet produira en plus des avancements en R. O. des avancements en apprentissage sous contraintes et par renforcement.
  • An Tang (Université de Montréal): Predictive model of colorectal cancer liver metastases response to chemotherapy
    • Colon cancer is the 2nd leading cause of mortality in Canada. In patients with colorectal liver metastases, response to chemotherapy is the main determinant of patient survival. Our multidisciplinary team will develop models based to predict response to chemotherapy and patient prognosis using the most recent innovations in deep learning architectures. We will train our model on data from an institutional biobank and validate our model on independent provincial imaging and medico-administrative databases.
  • Pierre Thibault (Université de Montréal): Matching MHC I-associated peptide spectra to sequencing reads using deep neural networks
    • Identification of MHC I-associated peptides (MAPs) unique to a patient or tumor is key step in developing efficacious cancer immunotherapy. This project aims at developing a novel approach for exploiting Deep Neural Networks (DNN) for the identification of MAPS based on a combination of next-generation sequencing (RNA-Seq) and tandem mass spectrometry (MS/ MS). The proposed developments will take advantage of a unique dataset of approximately 60,000 (MS/MS – sequence) pairs assembled by our team. The project will also bring together researchers from broad horizons: mass spectrometry, bioinformatics, machine learning and cancer immunology