Beste antwoord
Professor Joachims heeft een aantal belangrijke / baanbrekende bijdragen geleverd op het gebied van machine learning en informatie ophalen. Hij heeft 4 absurde prijzen gewonnen, waaronder 3 als enige auteur! (Disclaimer: ik was een van zijn studenten, dus een klein deel hiervan zal klinken als schaamteloze zelfreclame.)
- SVM-Light was een van de eerste “snelle” SVM-oplossers die veel mensen ervan overtuigde dat dergelijke leeralgoritmen konden worden toegepast op zaken als tekstclassificatie. In de jaren negentig was dit niet duidelijk. Bekijk dit vroege artikel . Zijn latere werk aan Training Lineaire SVMs in lineaire tijd hebben de KDD 2017 Test-of-Time-prijs gewonnen.
- In 1999 publiceerde hij een paper over Transductieve SVMs die de prijs voor beste 10-jarige test van de tijd heeft gewonnen op ICML 2009.
- SVM-Struct is de eerste zeer algemeen platform voor het ontwikkelen van Gestructureerde ondersteuningsvectormachine benaderingen voor Gestructureerde voorspelling . Dit is de originele paper , en dit is de tijdschriftversie . Structurele SVMs worden nu veel gebruikt in veel onderzoeksgebieden , inclusief computervisie en natuurlijke taalverwerking.
- Hij verlegde de grens van wat het betekent om Gestructureerde voorspelling te doen. Lange tijd gestructureerde voorspelling was groot ly beperkt tot problemen die van nature werden gemodelleerd als gevolgtrekking op grafische modellen. Hij liet zien hoe we andere problemen ook als gestructureerde voorspellingsproblemen kunnen beschouwen. Voorbeelden zijn onder meer ranking (ook deze ), clustering , proteïne-uitlijning en diversiteitsmaximalisatie (zoals voor document samenvatting ).
- Hij was een van de eersten die bestudeerde hoe systemen voor het ophalen van informatie en het aanbevelen van informatie konden worden getraind op basis van gebruikersfeedback (zoals zoals waarop mensen klikken wanneer ze zoeken op internet). Geloof het of niet, dit was eind jaren negentig en begin 2000 niet duidelijk. Bekijk deze twee papers , waarvan de eerste de KDD 2012 Test-of-Time heeft gewonnen Award.
- Hij was een van de eersten die vooroordelen bestudeerde bij het leren van menselijke feedback in systemen voor het ophalen van informatie en aanbevelingssystemen. Wanneer een gebruiker bijvoorbeeld op een zoekresultaat klikt, betekent dit vaak niet dat het resultaat op een absoluut niveau “goed” is, alleen dat het beter is dan de resultaten met een hogere rangorde. Zie dit tijdschriftartikel , dat de SIGIR 2016 Test-of-Time-prijs heeft gewonnen. Zie ook: Zelfverbeterende systemen die leren door menselijke interactie
- Hij vond de uit interleaving-benadering om betrouwbare voorkeuren te ontlokken uit impliciete feedback, zoals klikgegevens. Interleaving wordt nu algemeen toegepast in veel commerciële omgevingen, waaronder grote zoekmachines zoals Google en Bing. Hier zijn enkele eerdere papers . Zie ook: Zelfverbeterende systemen die leren door menselijke interactie
- Hij stelde meerdere interactieve / online leerformuleringen voor om te karakteriseren hoe een aanbevelingssysteem zou kunnen zijn leer “on-the-fly” van gebruikersfeedback. Deze omvatten het Dueling Bandits-probleem en Coactief leren , die beide rekening houden met het bovengenoemde vooroordelen in de manier waarop gebruikers feedback geven. Een geavanceerde versie van deze aanpak werd maandenlang geïmplementeerd op arXiv.org . Zie ook: Zelfverbeterende systemen die leren door menselijke interactie
- Hij stelde de contrafeitelijke risicominimalisatie , samen met verschillende andere belangrijke verbeteringen in contrafeitelijke evaluatie en het leren van geregistreerde bandietenfeedback. Contrafeitelijke redenering is buitengewoon belangrijk in de meeste commerciële toepassingen, omdat om te leren van gebruikerslogboeken moet worden geredeneerd over counterfactuals (bijvoorbeeld: hoe zou de gebruiker zich hebben gedragen als ze dit andere item had aanbevolen dat ze niet echt zag?). Zie deze tutorial voor meer details: Counterfactual Evaluation and Learning
- Hij is een geweldige adviseur.
Antwoord
Hij ontwikkelde een nieuwe muziekaanbeveling.