Texte alternatif : Neural Information Processing Systems
NeurIPS est l’une des conférences scientifiques internationales les plus renommées dans le domaine de l’IA et de l’apprentissage automatique (machine learning). Fondée en 1987 à Denver aux États-Unis, elle réunit chaque année les chercheurs et chercheuses du monde entier qui travaillent dans le domaine.
Au programme de ces 6 jours : des keynotes des figures influentes du domaine, des présentations orales et des sessions posters, des tutoriels et des workshops, des compétitions, des démonstrations et des événements communautaires.
Une sélection exigeante pour les articles acceptés
Chaque article soumis est évalué par un comité réunissant plusieurs experts. Ces experts ne retiennent que les contributions les plus novatrices, avec une méthodologie extrêmement rigoureuse et une réflexion pointue sur l’impact sociétal des recherches. Depuis 2020, les auteurs doivent également aborder la mise à disposition de données et de code, les considérations éthiques et les limites des travaux.
Cette année, sur plus de 15 000 articles soumis, moins de 24 % ont été acceptés à NeurIPS 2024. Et parmi eux, 19 sont issus des chercheurs et des chercheuses membres d’une équipe-projet du Centre Inria de Saclay.
Cette approche exigeante maintient la conférence NeurIPS comme une référence mondiale dans le domaine.
Un lieu de rencontre incontournable pour les chercheurs
Au-delà de son aspect scientifique, pour nos chercheuses et nos chercheuses sélectionnés pour présenter leurs travaux, NeurIPS représente aussi une audience exceptionnelle pour leurs recherches.
Cette conférence est en effet également un lieu de rencontre, d’écoute et d’inspiration incontournable entre les chercheurs académiques, les industriels, et les acteurs du secteur technologique.
Les participantes et participants qui se comptent en milliers - environ 10 000 pour les éditions précédentes - y découvrent les dernières avancées fondamentales en IA qui répondent à des défis concrets et urgents des secteurs entiers comme la santé, l’environnement, ou encore les transports.
Bravo à nos chercheuses, à nos chercheurs, à leurs coauteurs, et à leurs partenaires pour cette réussite.
19 articles sélectionnés qui reflètent la diversité de nos recherches
- Équipe-projet Celeste (Inria, Université Paris-Saclay), laboratoire LMO
- Regression under demographic parity constraints via unlabeled post-processing, Evgenii Chzhen, Mohamed Hebiri, Gayane Taturyan
- Unravelling in Collaborative Learning, Aymeric Capitaine, Etienne Boursier, Antoine Scheid, Eric Moulines, Michael Jordan, El-Mahdi El-Mhamdi, Alain Durmus
- Learning to Mitigate Externalities: the Coase Theorem with Hindsight Rationality, Antoine Scheid, Aymeric Capitaine, Etienne Boursier, Eric Moulines, Michael Jordan, Alain Durmus
- Addressing bias in online selection with limited budget of comparisons, Ziyad Benomar, Evgenii Chzhen, Nicolas Schreuder, Vianney Perchet
- Équipe-projet DataShape (Inria, Université Paris-Saclay), laboratoire LMO :
- Wasserstein convergence of Čech persistence diagrams for samplings of submanifolds, Charles Arnal, David Cohen-Steiner, Vincent Divol
- Iteration Head: A Mechanistic Study of Chain-of-Thought, Vivien Cabannes, Charles Arnal, Wassim Bouaziz, Alice Yang, Francois Charton, Julia Kempe
- Diffeomorphic interpolation for efficient persistence-based topological optimization, Mathieu Carriere, Marc Theveneau, Théo Lacombe
- Équipe-projet FairPlay (Inria, ENSAE Paris, Critéo), laboratoire CREST
- Adressing bias in online selection wit limited budget of comparisons, Ziyad Benomar, Evgenii Chzhen, Nicolas Schreuder, Vianney Perchet
- The Value of Reward Lookahed in Reinforcement Learning, Nadav Merlis, Dorian Baudry, Vianney Perchet
- Local and adaptive mirror descents in extensive-form games, Côme Fiegel, Pierre Menard, Tadashi Kozuno, Remi Munos, Vianney Perchet, Michal Valko
- Improved Learning rates in multi-unit uniform price auctions, Marius Potfer, Dorian Baudry, Hugo Richard, Vianney Perchet, Cheng Wan
- Lookback Prophet Inequalitites, Ziyad Benomar, Dorian Baudry, Vianney Perchet
- Strategic Multi-Armed Bandit Problems Under Debt-Free Reporting, Ahmed Ben Yahmed, Clément Calauzènes, Vianney Perchet
- Improved Algorithms for Contextual Dynamic Pricing, Matilde Tullii, Solenne Gaucher, Nadav Merlis, Vianney Perchet
- Optimizing the coalition gain in Online Auctions with Greedy Structured Bandits, Dorian Baudry, Hugo Richard, Maria Cherifa, Vianney Perchet, Clément Calauzènes
- DU-Shapley : A Shapley Value Proxy for Efficient dataset valuation, Felipe Garrido, Benjamin Heymann, Maxime Vono, Patrick Loiseau, Vianney Perchet
- Reinforcement Learning with Lookahead information, Nadav Merlis
- Équipe-projet GeomeriX (Inria, École polytechnique, CNRS), laboratoire LIX :
- DeBaRA: Denoising-Based 3D Room Arrangement Generation, Léopold Maillard, Nicolas Sereyjol-Garros, Tom Durand, Maks Ovsjanikov
- Équipe-projet OPIS (Inria, Université Paris-Saclay, CentraleSupélec), laboratoire CVN :
- Continuous Product Graph Neural Networks, Aref Einizade, Fragkiskos D. Malliaros, and Jhony H. Giraldo
- Équipe-projet Soda (Inria)
- Better by default: Strong pre-tuned MLPs and boosted trees on tabular data, David Holzmüller, Leo Grinsztajn, Ingo Steinwart