Bedste svar
Professor Joachims har ydet en række vigtige / banebrydende bidrag inden for maskinindlæring og information hentning. Han har vundet en absurd 4 test-of-time-priser, inklusive 3 som enkeltforfatter! (Ansvarsfraskrivelse: Jeg var en af hans studerende, så en lille del af dette vil lyde som skamløs selvreklame.)
- SVM-Light var en af de første “hurtige” SVM-løsninger, der overbeviste mange mennesker om, at sådanne læringsalgoritmer kunne anvendes til ting som tekstklassificering. Tilbage i 1990erne var dette ikke indlysende. Se dette tidlige papir . Hans senere arbejde med Træning Lineære SVMer i Linear Time vandt KDD 2017 Test-of-Time-prisen.
- I 1999 offentliggjorde han en artikel om Transduktive SVMer der vandt den bedste 10-årige test-of-Time-pris ved ICML 2009.
- SVM-Struct er den første meget generel platform til udvikling af Structured support vector machine tilgang til Structured prediction . Dette er originalt papir , og dette er journalversion . Strukturelle SVMer er nu meget udbredt i mange forskningsområder , inklusive computersyn og naturlig sprogbehandling.
- Han skubbede grænsen for, hvad det betyder at gøre Struktureret forudsigelse . I lang tid, struktureret forudsigelse var stor begrænset til problemer, der naturligt blev modelleret som slutning på grafiske modeller. Han viste, hvordan vi kan tænke på andre problemer også som strukturerede forudsigelsesproblemer. Eksempler inkluderer ranking (også denne ), clustering , proteinjustering og diversitetsmaksimering (såsom til resumé af dokumenter ).
- Han var en af de første til at undersøge, hvordan man træner informationssøgning og anbefalsystemer baseret på brugerfeedback (f.eks. som hvad folk klikker på, når de bruger websøgning). Tro det eller ej, det var ikke indlysende i slutningen af 1990erne og begyndelsen af 2000erne. Se disse to papirer , hvoraf den første vandt KDD 2012 Test-of-Time pris.
- Han var en af de første til at studere bias i at lære af menneskelig feedback i informationssøgning og anbefalsystemer. F.eks. Når en bruger klikker på et søgeresultat, betyder det ofte ikke, at resultatet er “godt” på et absolut niveau, bare at det er bedre end de højere rangerede resultater. Se dette journalpapir , der vandt SIGIR 2016 Test-of-Time-prisen. Se også: Selvforbedrende systemer, der lærer gennem menneskelig interaktion
- Han opfandt interleaving-tilgang til fremkaldelse af pålidelige præferencer fra implicit feedback som f.eks. klikdata. Interleaving er nu bredt vedtaget i mange kommercielle indstillinger, herunder store søgemaskiner som Google og Bing. Her er nogle tidligere papirer . Se også: Selvforbedrende systemer, der lærer gennem menneskelig interaktion
- Han foreslog flere interaktive / online-læringsformuleringer til karakterisering af, hvordan et anbefalingssystem kunne lære “on-the-fly” fra brugerfeedback. Disse inkluderer Duelling Bandits Problem og Coactive Learning , som begge tager højde for ovennævnte bias i, hvordan brugerne giver feedback. En avanceret version af denne tilgang blev implementeret i flere måneder på arXiv.org . Se også: Selvforbedrende systemer, der lærer gennem menneskelig interaktion
- Han foreslog kontrafaktisk risikominimering ramme sammen med adskillige andre vigtige fremskridt inden for kontrafaktisk evaluering og indlæring af logget banditfeedback. Kontrafaktisk ræsonnement er ekstremt vigtigt i de fleste kommercielle applikationer, fordi læring af brugerlogfiler kræver ræsonnement om kontrafaktiske forhold (f.eks. Hvordan ville brugeren have opført sig, hvis hun blev anbefalet dette andet emne, som hun faktisk ikke så?). Se denne vejledning for flere detaljer: Counterfactual Evaluation and Learning
- Han er en fantastisk rådgiver.
Svar
Han udviklede en ny musikanbefaler