Navigasjon

  • Hopp til innhold
NTNU Hjemmeside NTNU Hjemmeside

ntnu.no

  • Studier
    • Studere på NTNU
    • Finn studieprogram
    • Søke opptak
    • Videreutdanning og deltid
    • Forkurs og oppfriskning
  • Studentliv
    • Student i Gjøvik
    • Student i Trondheim
    • Student i Ålesund
  • Forskning og innovasjon
    • Forskning
    • Innovasjon
    • Satsingsområder
    • Toppforskning
    • Ekspertlister
    • Ph.d.
  • Om NTNU
    • Fakulteter og institutter
    • Sentre
    • Bibliotek
    • Kart
    • Ledige stillinger
    • Arrangement
    • Nyheter
    • Kontakt oss
    • Om NTNU
  1. Ansatte

Språkvelger

English

Gavin William Taylor

Last ned pressefoto
Last ned pressefoto
Foto:

Gavin William Taylor

Forsker
Institutt for datateknologi og informatikk

gavinta@ntnu.no
253 Gamle fysikk Gløshaugen, Trondheim
Google Scholar
Om Publikasjoner

Om

Gavin er forsker ved Institutt for informatikk ved NTNU med fokus på kunstig intelligens og maskinlæring. Han har forsket på optimalisering av nevrale nettverk, dataforgiftning, forsterkningslæring og representasjonslæring. Han er interessert i grunnforskning samt anvendelsen av denne i militæret eller andre komplekse kontekster.

Gavin var professor i informatikk ved US Naval Academy i 15 år før han flyttet med familien til Trondheim i 2026. Ved siden av forskningen bidro han ved Naval Academy sterkt med undervisning og læreplanutvikling innen maskinlæring og datavitenskap, og han er fortsatt interessert i utdanning og formidling av KI-konsepter.

Gavin tok sin doktorgrad i informatikk fra Duke University i 2011, og sin bachelorgrad i matematikk fra Davidson College i 2006.

Kompetanseord

  • Data Poisoning
  • Optimization
  • Reinforcement Learning
  • Representation Learning

Publikasjoner

Divide and Contrast: Learning Robust Temporal Features without Augmentation

We present Di-COT, a framework for unsupervised time-series representation learning. By contrasting sub-blocks within instances, it avoids data augmentation, achieving state-of-the-art accuracy on downstream tasks with much lower training time.

Visualizing the loss landscape of neural nets

We introduce a novel approach for visualizing the loss landscape of large neural networks. We change network architectures and training parameters and then visualize the loss landscape, developing intuition into what makes one network better than another.

MetaPoison: Practical General-purpose Clean-label Data Poisoning

We introduce MetaPoison, a clean-label data poisoning framework. By approximating bilevel optimization via meta-learning, we craft imperceptible perturbations that force targeted misclassifications on deep models trained from scratch.
  • Kronologisk
  • Etter kategori

NTNU – Norges teknisk-naturvitenskapelige universitet

  • For ansatte
  • |
  • For studenter
  • |
  • Innsida
  • |
  • Canvas

Studere

  • Om studier
  • Studieprogram
  • Emner
  • Videreutdanning
  • Karriere

Aktuelt

  • Nyheter
  • Arrangement
  • Jobbe ved NTNU

Om NTNU

  • Om NTNU
  • Bibliotek
  • Strategi
  • Forskning
  • Satsingsområder
  • Innovasjon
  • Organisasjonskart
  • Utdanningskvalitet

Kontakt

  • Kontakt oss
  • Finn ansatte
  • Spør en ekspert
  • Pressekontakter
  • Kart

NTNU i tre byer

  • NTNU i Gjøvik
  • NTNU i Trondheim
  • NTNU i Ålesund

Om nettstedet

  • Bruk av informasjonskapsler
  • Tilgjengelighetserklæring
  • Personvern
  • Ansvarlig redaktør
Facebook Instagram Linkedin Snapchat Tiktok Youtube
Logg inn
NTNU logo