Ameya Velingker (अमेय वेलिंगकर)

Ameya Velingker (अमेय वेलिंगकर)

Chercheur Scientifique

Google Research

Je suis chercheur scientifique supérieur à Google Research. Mes intérêts de recherche concernent largement les domaines de l’apprentissage automatique et l’informatique théorique. Je m’intéresse actuellement à l’apprentissage sur graphes (réseaux de neurones graphiques, les transformers de graphes) et au raisonnement des modèles d’apprentissage automatique, en combinant des techniques des algorithmes et l’apprentissage automatique. Mon travail de recherche figure aussi dans le développement des modèles de ML pour Google Maps. 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’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 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.

Intérêts
  • Apprentissage sur graphes
  • Raisonnement des modèles d’apprentissage automatique
  • Informatique théorique
  • Algorithmes

Nouvelles

  • Notre papier, Low-Width Approximations and Sparsification for Scaling Graph Transformers, a été accepté au séminaire GLFrontiers 2023 à NeurIPS.
  • Notre papier, Affinity-Aware Graph Networks, a été accepté à NeurIPS 2023.
  • Nos papiers suivants ont été acceptés à ICML 2023:
    • Exphormer: Sparse Transformers for Graphs
    • Fast (1+ε)-Approximation Algorithms for Binary Matrix Factorization
  • Notre papier, Efficient Location Sampling Algorithms for Road Networks, a été accepté au séminaire SODS 2023 à ICML.

Publications

(2023). Locality-Aware Graph-Rewiring in GNNs. arXiv:2310.01668.

Citation arXiv

(2023). Affinity-Aware Graph Networks. NeurIPS 2023.

Citation Vidéo arXiv

(2023). Exphormer: Sparse Transformers for Graphs. ICML 2023.

Citation Code Vidéo arXiv URL

(2023). Fast (1+ε)-Approximation Algorithms for Binary Matrix Factorization. ICML 2023.

Citation Vidéo arXiv URL

(2022). Linear space streaming lower bounds for approximating CSPs. STOC 2022.

Citation Vidéo arXiv ECCC URL