Paras vastaus
Professori Joachims on antanut useita tärkeitä / perusedellytyksiä koneoppimisen ja tiedottamisen aloilla haku. Hän on voittanut absurdit 4 aikatestipalkintoa, joista 3 yksittäisenä tekijänä! (Vastuuvapauslauseke: Olin yksi hänen opiskelijoistaan, joten pieni osa tästä kuulostaa häpeämättömältä itsemainonnalta.)
- SVM-Light oli yksi ensimmäisistä ”nopeista” SVM-ratkaisijoista, joka vakuutti monet ihmiset siitä, että tällaisia oppimisalgoritmeja voitiin soveltaa esimerkiksi tekstiluokitukseen. 1990-luvulla tämä ei ollut ilmeistä. Katso tämä varhainen artikkeli . Hänen myöhempi työnsä -koulutuksesta Lineaarisen ajan lineaariset SVM: t voittivat KDD 2017 -testiajan.
- Vuonna 1999 hän julkaisi paperin transduktiivisista SVM: istä , joka voitti parhaan 10 vuoden test-of-time -palkinnon ICML 2009.
- SVM-Struct on ensimmäinen yleinen foorumi rakenteisen tukivektorikoneen lähestymiselle strukturoidulle ennustukselle . Tämä on alkuperäinen paperi , ja tämä on päiväkirjaversio . Rakenteellisia SVM: iä käytetään nyt laajalti monilla tutkimusalueilla , mukaan lukien tietokonenäkö ja luonnollisen kielen käsittely.
- Hän ylitti rajan sille, mitä tarkoittaa tehdä Strukturoitu ennakointi . Pitkään, jäsennelty ennuste oli suuri Rajoitettu ongelmiin, jotka mallinnettiin luonnollisesti graafisten mallien päätelminä. Hän osoitti, kuinka voimme ajatella muita ongelmia myös strukturoiduina ennustusongelmina. Esimerkkejä ovat sijoitus (myös tämä ), klusterointi , proteiinien tasaus ja monimuotoisuuden maksimointi (kuten asiakirjan yhteenveto ).
- Hän oli yksi ensimmäisistä, joka opiskeli tiedonhaku- ja suosittelujärjestelmien kouluttamista käyttäjien palautteen (kuten mitä ihmiset napsauttavat käyttäessään verkkohakua). Uskokaa tai älkää, tämä ei ollut ilmeistä jo 1990-luvun lopulla ja 2000-luvun alussa. Katso nämä kaksi paperia , joista ensimmäinen voitti KDD 2012 -testin palkinto.
- Hän oli yksi ensimmäisistä, joka tutki ennakkoluuloja oppimisesta ihmisen palautteesta tiedonhaku- ja suosittelujärjestelmissä. Esimerkiksi kun käyttäjä napsauttaa hakutulosta, se ei tarkoita sitä, että tulos olisi ”hyvä” jollain absoluuttisella tasolla, vain että se on parempi kuin korkeammalle sijoitetut tulokset. Katso tämä päiväkirja , joka voitti SIGIR 2016 -testipalkinnon. Katso myös: Itsensä parantavat järjestelmät, jotka oppivat ihmisen vuorovaikutuksessa
- Hän keksi lomittelutapa luotettavien asetusten saamiseksi implisiittisestä palautteesta, kuten napsautustiedoista. Lomitus on nyt yleisesti käytössä monissa kaupallisissa ympäristöissä, mukaan lukien suuret hakukoneet, kuten Google ja Bing. Tässä on joitain aikaisempia papereita . Katso myös: Itsensä parantavat järjestelmät, jotka oppivat ihmisten välisen vuorovaikutuksen kautta
- Hän ehdotti useita interaktiivisia / online-oppimisformulaatioita kuvaamaan, miten suosittelijajärjestelmä voisi oppia ”lennossa” käyttäjien palautteesta. Näihin kuuluvat Banditien kaksintaisteluongelma ja Coactive Learning , jotka molemmat ottavat huomioon edellä mainitut puolueet siitä, miten käyttäjät antavat palautetta. Tämän lähestymistavan edistynyt versio otettiin käyttöön kuukausien ajan osoitteessa arXiv.org . Katso myös: Itsensä parantavat järjestelmät, jotka oppivat ihmisten välisen vuorovaikutuksen kautta
- Hän ehdotti vaihtoehtoisten riskien minimointi -kehys sekä useita muita merkittäviä edistysaskeleita vastakohtaisen arvioinnin ja lokitieteelliseltä palautteelta oppimisen avulla. Kontraktuaalinen päättely on erittäin tärkeää useimmissa kaupallisissa sovelluksissa, koska oppiminen käyttäjälokista vaatii perusteluja vastakohtaisuudesta (esim. Miten käyttäjä olisi käyttäytynyt, jos hänelle olisi suositeltu tätä muuta kohdetta, jota hän itse ei nähnyt?). Katso lisätietoja tästä oppaasta: Kontraktuaalinen arviointi ja oppiminen
- Hän on upea neuvonantaja.
Vastaus
Hän kehitti uuden musiikkisuosituksen