Nejlepší odpověď
Profesor Joachims přispěl řadou důležitých / klíčových příspěvků v oblasti strojového učení a informací vyhledávání. Získal absurdní 4 testovací ocenění, z toho 3 jako jediný autor! (Zřeknutí se odpovědnosti: Byl jsem jedním z jeho studentů, takže malá část z toho bude znít jako nestoudná vlastní reklama.)
- SVM-Light byl jedním z prvních „rychlých“ řešičů SVM, který přesvědčil mnoho lidí, že takové učební algoritmy lze použít na věci, jako je klasifikace textu. V 90. letech to nebylo zřejmé. Podívejte se na tento raný článek . Jeho pozdější práce na školení Linear SVMs in Linear Time vyhrál cenu KDD 2017 Test-of-Time.
- V roce 1999 publikoval příspěvek na téma Transductive SVMs který získal ocenění IC 10 2009 za nejlepší 10letý test času.
- SVM-Struct je první velmi obecná platforma pro vývoj stroje se strukturovanou podporou vektorů přístupů k strukturované predikci . Toto je originální papír , a toto je deníková verze . Strukturální SVM jsou nyní široce používány v mnoha oblastech výzkumu , včetně počítačového vidění a zpracování přirozeného jazyka.
- Posunul hranice toho, co to znamená dělat Strukturovaná předpověď . Na dlouhou dobu strukturovaná předpověď byla velká omezeno na problémy, které byly přirozeně modelovány jako odvození na grafických modelech. Ukázal, jak můžeme myslet na další problémy také jako na problémy strukturované predikce. Mezi příklady patří hodnocení (také toto ), shlukování , zarovnání proteinů a maximalizace rozmanitosti (například for sumarizace dokumentů ).
- Byl jedním z prvních, kdo studoval, jak trénovat systémy vyhledávání informací a doporučovat systémy na základě zpětné vazby od uživatelů (například jako to, na co lidé klikají, když používají vyhledávání na webu). Věřte tomu nebo ne, na konci 90. let a počátkem roku 2000 to nebylo zřejmé. Podívejte se na tyto dva články , z nichž první zvítězil v testovacím čase KDD 2012 ocenění.
- Byl jedním z prvních, kdo studoval předsudky v učení z lidské zpětné vazby v systémech vyhledávání informací a doporučení. Když například uživatel klikne na výsledek vyhledávání, často to neznamená, že je výsledek na určité absolutní úrovni „dobrý“, ale že je lepší než výsledky s vyšším hodnocením. Podívejte se na tento časopisní článek , který získal cenu SIGIR 2016 Test-of-Time. Viz také: Systémy pro sebezdokonalování, které se učí lidskou interakcí
- Vynalezl přístup prokládání pro získání spolehlivých preferencí z implicitní zpětné vazby, jako jsou data kliknutí. Prokládání je nyní široce přijímáno v mnoha komerčních nastaveních, včetně hlavních vyhledávačů, jako jsou Google a Bing. Zde jsou některé dřívější papíry . Viz také: Samovylepšující se systémy, které se učí lidskou interakcí
- Navrhl několik interaktivních / online výukových formulací pro charakterizaci toho, jak by systém doporučujícího mohl naučte se „on-the-fly“ ze zpětné vazby od uživatelů. Patří mezi ně Dueling Bandits Problem a Coactive Learning , které zohledňují výše uvedené předsudky v tom, jak uživatelé poskytují zpětnou vazbu. Pokročilá verze tohoto přístupu byla nasazena měsíce na arXiv.org . Viz také: Systémy pro sebezdokonalování, které se učí lidskou interakcí
- Navrhl Kontrafaktuální minimalizace rizik , spolu s několika dalšími důležitými pokroky v kontrafaktuálním hodnocení a učení se od zpětné vazby od přihlášených banditů. Kontrafaktuální uvažování je ve většině komerčních aplikací nesmírně důležité, protože učení se z uživatelských protokolů vyžaduje uvažování o kontrafaktech (např. Jak by se uživatel choval, kdyby jí byla doporučena tato další položka, kterou ve skutečnosti neviděla?). Další podrobnosti najdete v tomto výukovém programu: Kontrafaktové hodnocení a učení
- Je úžasným poradcem.
Odpověď
Vyvinul doporučovatele nové hudby