Najlepsza odpowiedź
Profesor Joachims wniósł wiele ważnych / przełomowych wkładów w dziedzinie uczenia maszynowego i informacji wyszukiwanie. Zdobył absurdalne 4 nagrody za próbę czasu, w tym 3 jako pojedynczy autor! (Zastrzeżenie: byłem jednym z jego uczniów, więc mała część tego będzie brzmiała jak bezwstydna autoreklama.)
- SVM-Light był jednym z pierwszych „szybkich” programistów SVM, który przekonał wiele osób, że takie algorytmy uczenia się można zastosować do takich rzeczy, jak klasyfikacja tekstu. W latach 90. nie było to oczywiste. Zobacz ten wczesny artykuł . Jego późniejsza praca dotycząca Szkolenia Liniowe maszyny SVM in Linear Time zdobyły nagrodę KDD 2017 Test-of-Time.
- W 1999 roku opublikował artykuł na temat Transdukcyjne maszyny SVM , która zdobyła nagrodę za najlepszy 10-letni test czasu na targach ICML 2009.
- SVM-Struct jest pierwszą ogólna platforma do opracowywania Strukturalnych maszyn wektorów pomocniczych podejść do Strukturalnych prognoz . To jest oryginalny artykuł , a to jest wersja czasopisma . Strukturalne maszyny SVM są obecnie szeroko stosowane w wielu obszarach badawczych , w tym wizja komputerowa i przetwarzanie języka naturalnego.
- Przekroczył granice tego, co to znaczy robić Strukturalne przewidywanie . Przez długi czas ustrukturyzowane prognozy były duże ograniczone do problemów, które były naturalnie modelowane jako wnioskowanie na modelach graficznych. Pokazał, jak możemy myśleć o innych problemach, również jako problemach z prognozowaniem strukturalnym. Przykłady obejmują ranking (także ten ), grupowanie , wyrównanie białek i maksymalizacja różnorodności (na przykład dla podsumowania dokumentu ).
- Był jednym z pierwszych, który zbadał, jak szkolić systemy wyszukiwania informacji i rekomendacji w oparciu o opinie użytkowników (takie co ludzie klikają, gdy korzystają z wyszukiwarki internetowej). Wierz lub nie, ale nie było to oczywiste pod koniec lat 90-tych i na początku 2000 roku. Zobacz te dwa artykuły , z których pierwszy wygrał test czasu KDD 2012 nagroda.
- Był jednym z pierwszych, który zbadał uprzedzenia w uczeniu się na podstawie ludzkich opinii w systemach wyszukiwania informacji i rekomendacji. Na przykład, gdy użytkownik klika wynik wyszukiwania, często nie oznacza to, że wynik jest „dobry” na jakimś bezwzględnym poziomie, tylko że jest lepszy niż wyniki wyżej sklasyfikowane. Zobacz ten artykuł w czasopiśmie , który zdobył nagrodę SIGIR 2016 Test-of-Time. Zobacz też: Samodoskonalące się systemy, które uczą się poprzez interakcję ludzi
- Wynalazł podejście z przeplotem do pozyskiwania wiarygodnych preferencji na podstawie ukrytych informacji zwrotnych, takich jak dane o kliknięciach. Przeplot jest obecnie szeroko stosowany w wielu ustawieniach komercyjnych, w tym w głównych wyszukiwarkach, takich jak Google i Bing. Oto kilka wcześniejszych dokumentów . Zobacz też: Samodoskonalące się systemy, które uczą się poprzez interakcję między ludźmi
- Zaproponował wiele interaktywnych / online formuł uczenia się, aby scharakteryzować, jak system rekomendujący może ucz się „w locie” na podstawie opinii użytkowników. Należą do nich Problem pojedynków bandytów i Koaktywne uczenie się , z których oba uwzględniają wyżej wymienione uprzedzenia w sposobie przekazywania opinii przez użytkowników. wersja zaawansowana tego podejścia była wdrażana od miesięcy w witrynie arXiv.org . Zobacz też: Samodoskonalące się systemy, które uczą się poprzez interakcję ludzi
- Zaproponował ramy minimalizacji ryzyka alternatywnego , wraz z kilkoma innymi ważnymi ulepszeniami w ocenie kontrfaktycznej i uczeniu się na podstawie zarejestrowanych informacji zwrotnych bandytów. Rozumowanie kontrfaktyczne jest niezwykle ważne w większości zastosowań komercyjnych, ponieważ uczenie się na podstawie dzienników użytkowników wymaga wnioskowania na temat kontrfaktów (np. Jak zachowałby się użytkownik, gdyby polecono jej ten drugi element, którego tak naprawdę nie widziała?). Zobacz ten samouczek, aby uzyskać więcej informacji: Analiza kontrfaktyczna i nauka
- Jest niesamowitym doradcą.
Odpowiedź
Opracował program polecający nową muzykę.