Je suis chercheur scientifique, et mes intérêts de recherche concernent largement les domaines de l’apprentissage automatique et l’informatique théorique. Je m’intéresse actuellement au raisonnement des modèles d’apprentissage automatique (par ex. IA pour mathématiques/sciences) et à l’apprentissage sur données structurées graphiquement et données relationnelles, en combinant des techniques des algorithmes et l’apprentissage automatique. Les autres domaines dans lesquels j’ai travaillé incluent les algorithmes de streaming (de fouille de flots de données), la confidentialité, les codes correcteurs, etc. J’étais auparavant chercheur chez Google Research (jusqu’en 2024), où mon travail de recherche figure aussi dans de nombreux systèmes tels que AlphaProof (la preuve de théorèmes), Google Maps (routage/navigation), et Gboard (analytique privée).

J’ai fini mon doctorat (PhD) en Informatique en 2016 à l’Université Carnegie Mellon, où j’étais sous la direction de Venkatesan Guruswami et Gary Miller. Ensuite, j’étais chercheur scientifique à l’École Polytechnique Fédérale de Lausanne (EPFL) de 2016 à 2018.

En 2011, j’ai fait le programme de maîtrise (Master of Advanced Study) en mathématiques à l’Université de Cambridge (Trinity College) grâce à la bourse Gates Cambridge. Avant, j’ai reçu un AB en mathématiques et un SM en informatique (grâce à la bourse Siebel Scholars) de l’Université Harvard en 2010.

Quelques articles mettant en lumière mon travail: AlphaProof (NYT, MIT Technology Review, Ars Technica, The Hindu, The Guardian, GDM Blog), SecAggIBLT (Google Research Blog), Exphormer (Google Research Blog), Cartes (1, 2).

Autres liens: Mon ICML 2024 tutoriel sur Graph Learning: Principles, Challenges, and Open Directions (avec Adrián Arnaiz-Rodríguez)