Legjobb válasz
Joachims professzor számos fontos / alapvető jelentőségű hozzájárulást tett a gépi tanulás és az információs területeken visszakeresés. Abszurd 4 próbadíjat nyert el, köztük 3 szerzőként! (Jogi nyilatkozat: Az egyik tanítványa voltam, így ennek egy kis része szégyentelen önreklámnak fog hangzani.)
- SVM-Light volt az első “gyors” SVM-megoldó, amely sok embert meggyőzött arról, hogy ilyen tanulási algoritmusok alkalmazhatók például a szöveges osztályozásra. Még az 1990-es években ez nem volt nyilvánvaló. Lásd ezt a korai cikket . Későbbi munkája a képzésről A lineáris SVM-ek a lineáris időben elnyerték a KDD 2017-es tesztjét.
- 1999-ben publikált egy cikket a transzduktív SVM-ekről , amely az ICML 2009-ben elnyerte a legjobb 10 éves időmérés díjat.
- SVM-Struct az első nagyon általános platform a strukturált támogató vektor gép megközelítéséhez az strukturált előrejelzéshez . Ez a eredeti papír , és ez a naplóváltozat . A strukturális SVM-eket ma már számos kutatási területen széles körben használják , beleértve a számítógépes látást és a természetes nyelvi feldolgozást.
- Meghúzta a határt annak, hogy mit kell csinálni Strukturált jóslat . Hosszú ideig strukturált jóslat nagy volt Csak azokra a problémákra korlátozódott, amelyeket természetesen grafikus modellek következtetéseként modelleztek. Megmutatta, hogyan gondolhatunk más problémákra is strukturált predikciós problémákra. Ilyen például a rangsor (szintén ez ), fürtözés , fehérje igazítás és sokszínűség maximalizálása (például dokumentum-összefoglaláshoz ).
- Az elsők között tanulmányozta, hogyan kell kiképezni az információ-visszakereső és ajánló rendszereket a felhasználói visszajelzések alapján (például amire az emberek rákattintanak, amikor a webes keresést használják). Akár hiszi, akár nem, ez még az 1990-es évek végén és a 2000-es évek elején nem volt nyilvánvaló. Tekintse meg ezeket a két cikkeket , amelyek közül az első megnyerte a KDD 2012-es tesztjét díj.
- Az elsők között tanulmányozta az információ visszakeresési és ajánló rendszerek emberi visszajelzéseiből való tanulás torzításait. Például, amikor a felhasználó rákattint egy keresési eredményre, ez gyakran nem azt jelenti, hogy az eredmény valamilyen abszolút szinten “jó”, csak jobb, mint a magasabb rangú eredmények. Lásd ezt a folyóiratcikket , amely elnyerte a SIGIR 2016 Időteszt díját. Lásd még: Önfejlesztő rendszerek, amelyek emberi interakció révén tanulnak
- Ő találta ki a interleaving megközelítés , amely megbízható preferenciákat vált ki implicit visszajelzésekből, például kattintási adatokból. Az átlapolást ma már széles körben elterjedt számos kereskedelmi környezetben, beleértve a nagy keresőmotorokat, például a Google és a Bing. Íme néhány korábbi cikk . Lásd még: Önfejlesztő rendszerek, amelyek az emberi interakció révén tanulnak
- Több interaktív / online tanulási formulát javasolt annak jellemzésére, hogy egy ajánló rendszer hogyan megtanulni “on-the-fly” a felhasználói visszajelzéseket. Ide tartoznak a párbajozó banditák problémája és a koaktív tanulás , mindkettő figyelembe veszi az előbbieket elfogultság a felhasználók visszajelzésének módjában. Ennek a megközelítésnek a speciális verzióját hónapok óta telepítették a arXiv.org webhelyen. Lásd még: Önfejlesztő rendszerek, amelyek az emberi interakció révén tanulnak
- Javasolta a kontrafaktuális kockázatminimalizálás keretrendszer, valamint számos más fontos előrelépés a kontrafaktuális értékelésben és a naplózott bandita visszajelzésekből való tanulásban. A kontrafaktuális érvelés rendkívül fontos a legtöbb kereskedelmi alkalmazásban, mert a felhasználói naplókból való tanuláshoz szükség van a kontrafaktuális okok megalapozására (például hogyan viselkedett volna a felhasználó, ha ezt a másik elemet ajánlanák neki, amelyet valójában nem látott?) További részletekért lásd ezt az oktatóanyagot: Kontraktuális értékelés és tanulás
- Csodálatos tanácsadó.
Válasz
Újszerű zenei ajánlót fejlesztett ki