Beste svaret
Professor Joachims har gitt en rekke viktige / banebrytende bidrag innen maskinlæring og informasjon gjenfinning. Han har vunnet en absurd 4 tiders utmerkelser, inkludert 3 som enkeltforfatter! (Ansvarsfraskrivelse: Jeg var en av studentene hans, så en liten del av dette kommer til å høres ut som skamløs egenannonsering.)
- SVM-Light var en av de første «raske» SVM-løsningene som overbeviste mange om at slike læringsalgoritmer kunne brukes på ting som tekstklassifisering. Tilbake på 1990-tallet var dette ikke åpenbart. Se dette tidlige papir . Hans senere arbeid med Trening Lineære SVM-er i Linear Time vant KDD 2017 Test-of-Time-prisen.
- I 1999 publiserte han en artikkel om Transductive SVMs som vant den beste 10-årige Test-of-Time-prisen på ICML 2009.
- SVM-Struct er den første veldig generell plattform for utvikling av Strukturert støttevektormaskin nærmer seg Strukturert prediksjon . Dette er originalpapir , og dette er journalversjon . Strukturelle SVM er nå mye brukt i mange forskningsområder , inkludert datasyn og naturlig språkbehandling.
- Han presset grensen for hva det vil si å gjøre Strukturert prediksjon . I lang tid, strukturert spådom var stor begrenset til problemer som naturlig ble modellert som slutning på grafiske modeller. Han viste hvordan vi kan tenke på andre problemer også som strukturerte prediksjonsproblemer. Eksempler inkluderer rangering (også denne ), clustering , proteinjustering og mangfoldsmaksimering (som f.eks. for oppsummering av dokument ).
- Han var en av de første som studerte hvordan man kunne trene informasjonsinnhenting og anbefalsystemer basert på tilbakemeldinger fra brukere (slik som det folk klikker på når de bruker websøk). Tro det eller ei, dette var ikke åpenbart på slutten av 1990-tallet og begynnelsen av 2000-tallet. Se disse to papirer , hvorav den første vant KDD 2012 Test-of-Time pris.
- Han var en av de første som studerte skjevheter i å lære av menneskelig tilbakemelding i informasjonsinnhenting og anbefalsystemer. For eksempel, når en bruker klikker på et søkeresultat, betyr det ofte ikke at resultatet er «bra» på noe absolutt nivå, bare at det er bedre enn resultatene med høyere rangering. Se dette journalpapir , som vant SIGIR 2016 Test-of-Time-prisen. Se også: Selvforbedrende systemer som lærer gjennom menneskelig interaksjon
- Han oppfant interleaving-tilnærming for å fremkalle pålitelige preferanser fra implisitte tilbakemeldinger som klikkdata. Interleaving er nå adoptert i mange kommersielle omgivelser, inkludert store søkemotorer som Google og Bing. Her er noen tidligere papirer . Se også: Selvforbedrende systemer som lærer gjennom menneskelig interaksjon
- Han foreslo flere interaktive / online læringsformuleringer for å karakterisere hvordan et anbefalingssystem kan lære «on-the-fly» fra tilbakemeldinger fra brukerne. Disse inkluderer Duelling Bandits Problem og Koaktiv læring , som begge tar hensyn til ovennevnte skjevheter i hvordan brukerne gir tilbakemelding. En avansert versjon av denne tilnærmingen ble distribuert i flere måneder på arXiv.org . Se også: Selvforbedrende systemer som lærer gjennom menneskelig interaksjon
- Han foreslo kontrafaktisk risikominimering rammeverk, sammen med flere andre viktige fremskritt innen kontrafaktisk evaluering og læring fra logget tilbakemelding fra banditter. Motfaktisk resonnement er ekstremt viktig i de fleste kommersielle applikasjoner fordi læring fra brukerlogger krever resonnement om kontrafaktiske forhold (f.eks. Hvordan ville brukeren ha oppført seg hvis hun ble anbefalt dette andre elementet som hun ikke så?) Se denne veiledningen for mer informasjon: Counterfactual Evaluation and Learning
- Han er en fantastisk rådgiver.
Svar
Han utviklet en ny musikkanbefaler