Meilleure réponse
Le professeur Joachims a apporté un certain nombre de contributions importantes / fondamentales dans les domaines de lapprentissage automatique et de linformation récupération. Il a remporté 4 prix absurdes de lépreuve du temps, dont 3 en tant quauteur unique! (Clause de non-responsabilité: jétais lun de ses étudiants, donc une petite partie de cela va ressembler à une auto-publicité éhontée.)
- SVM-Light a été lun des premiers solveurs SVM « rapides » à convaincre de nombreuses personnes que de tels algorithmes dapprentissage pouvaient être appliqués à des choses comme la classification de texte. Dans les années 1990, cela n’était pas évident. Voir ce premier article . Ses travaux ultérieurs sur Formation Les SVM linéaires en temps linéaire ont remporté le prix Test-of-Time KDD 2017.
- En 1999, il a publié un article sur les SVM transductifs qui a remporté le prix du meilleur test du temps sur 10 ans à lICML 2009.
- SVM-Struct est le premier très plate-forme générale pour le développement dapproches Structured Support Vector Machine de Prédiction structurée . Voici la article original , et il sagit de la version de la revue . Les SVM structurels sont désormais largement utilisés dans de nombreux domaines de recherche , y compris la vision par ordinateur et le traitement du langage naturel.
- Il a repoussé les limites de ce que signifie faire Prédiction structurée . Pendant longtemps, la prédiction structurée était importante limité aux problèmes qui ont été naturellement modélisés comme inférence sur des modèles graphiques. Il a montré comment nous pouvons considérer dautres problèmes comme des problèmes de prédiction structurés. Les exemples incluent classement (également celui-ci ), clustering , alignement des protéines et maximisation de la diversité (comme pour la résumé des documents ).
- Il a été lun des premiers à étudier comment former les systèmes de recherche dinformations et de recommandation basés sur les commentaires des utilisateurs (tels comme sur quoi les gens cliquent lorsquils utilisent la recherche sur le Web). Croyez-le ou non, cela nétait pas évident à la fin des années 1990 et au début des années 2000. Consultez ces deux articles , dont le premier a remporté le Test-of-Time KDD 2012 prix.
- Il a été lun des premiers à étudier les préjugés dans lapprentissage des retours humains dans les systèmes de recherche dinformations et de recommandation. Par exemple, lorsquun utilisateur clique sur un résultat de recherche, cela ne signifie souvent pas que le résultat est «bon» à un niveau absolu, mais simplement quil est meilleur que les résultats les mieux classés. Consultez cet article de journal , qui a remporté le prix SIGIR 2016 Test-of-Time. Voir aussi: Systèmes auto-améliorés qui apprennent grâce à l’interaction humaine
- Il a inventé le approche dentrelacement pour obtenir des préférences fiables à partir de commentaires implicites tels que les données de clic. Lentrelacement est maintenant largement adopté dans de nombreux contextes commerciaux, y compris les principaux moteurs de recherche tels que Google et Bing. Voici quelques précédents articles . Voir aussi: Systèmes auto-améliorés qui apprennent par l’interaction humaine
- Il a proposé plusieurs formulations d’apprentissage interactif / en ligne pour caractériser la façon dont un système de recommandation pourrait apprenez « à la volée » grâce aux commentaires des utilisateurs. Ceux-ci incluent le Problème des bandits en duel et l lapprentissage coactif , qui prennent tous deux en compte ce qui précède biais dans la manière dont les utilisateurs fournissent des commentaires. Une version avancée de cette approche a été déployée pendant des mois sur arXiv.org . Voir aussi: Systèmes auto-améliorés qui apprennent grâce à l’interaction humaine
- Il a proposé le cadre de minimisation contrefactuelle des risques , ainsi que plusieurs autres avancées importantes en matière dévaluation contrefactuelle et dapprentissage à partir des commentaires des bandits enregistrés. Le raisonnement contrefactuel est extrêmement important dans la plupart des applications commerciales, car apprendre à partir des journaux utilisateur nécessite un raisonnement sur les contrefactuels (par exemple, comment lutilisateur se serait-il comporté si on lui avait recommandé cet autre élément quelle na pas réellement vu?). Consultez ce didacticiel pour plus de détails: Évaluation et apprentissage contrefactuels
- Cest un conseiller formidable.
Réponse
Il a développé une nouvelle recommandation musicale
Recommandations musicales et intégration de la métrique logistique