Melhor resposta
O professor Joachims fez uma série de contribuições importantes / seminais nas áreas de aprendizado de máquina e informação recuperação. Ele ganhou um absurdo 4 prêmios de teste de tempo, incluindo 3 como autor único! (Isenção de responsabilidade: eu era um de seus alunos, então uma pequena parte disso vai soar como uma autopromoção sem vergonha.)
- SVM-Light foi um dos primeiros solucionadores “rápidos” de SVM que convenceu muitas pessoas de que tais algoritmos de aprendizagem poderiam ser aplicados a coisas como classificação de texto. Na década de 1990, isso não era óbvio. Veja este artigo inicial . Seu trabalho posterior em Treinamento Linear SVMs em Linear Time ganhou o prêmio Test-of-Time KDD 2017.
- Em 1999, ele publicou um artigo sobre Transductive SVMs que ganhou o prêmio de Melhor Teste do Tempo de 10 anos no ICML 2009.
- SVM-Struct é o primeiro muito plataforma geral para desenvolver abordagens de máquina de vetor de suporte estruturado para Previsão estruturada . Este é o artigo original , e esta é a versão do periódico . SVMs estruturais são agora amplamente usados em muitas áreas de pesquisa , incluindo visão computacional e processamento de linguagem natural.
- Ele ultrapassou os limites do que significa fazer Predição estruturada . Por muito tempo, a previsão estruturada era grande apenas restrito a problemas que foram naturalmente modelados como inferência em modelos gráficos. Ele mostrou como podemos pensar em outros problemas também como problemas de previsão estruturada. Os exemplos incluem classificação (também este ), agrupamento , alinhamento de proteínas e maximização de diversidade (como para resumo de documentos ).
- Ele foi um dos primeiros a estudar como treinar a recuperação de informações e sistemas de recomendação com base no feedback do usuário (como como o que as pessoas clicam quando usam a pesquisa na web). Acredite ou não, isso não era óbvio no final dos anos 1990 e no início dos anos 2000. Veja estes dois artigos , o primeiro dos quais ganhou o KDD 2012 Test-of-Time prêmio.
- Ele foi um dos primeiros a estudar vieses na aprendizagem de feedback humano em recuperação de informações e sistemas de recomendação. Por exemplo, quando um usuário clica em um resultado de pesquisa, muitas vezes não significa que o resultado é “bom” em algum nível absoluto, apenas que é melhor do que os resultados de classificação mais alta. Veja este jornal , que ganhou o prêmio SIGIR 2016 Test-of-Time. Veja também: Sistemas de autoaprimoramento que aprendem por meio da interação humana
- Ele inventou o abordagem de intercalação para obter preferências confiáveis de feedback implícito, como dados de clique. A intercalação agora é amplamente adotada em muitos ambientes comerciais, incluindo os principais mecanismos de pesquisa, como Google e Bing. Aqui estão alguns anteriores documentos . Veja também: Sistemas de autoaprimoramento que aprendem por meio da interação humana
- Ele propôs várias formulações de aprendizado interativo / on-line para caracterizar como um sistema de recomendação pode aprenda “on-the-fly” com o feedback do usuário. Isso inclui o Problema de duelo de bandidos e Aprendizado coativo , ambos levando em consideração o acima mencionado vieses em como os usuários fornecem feedback. Uma versão avançada dessa abordagem foi implantada por meses em arXiv.org . Veja também: Sistemas de autoaprimoramento que aprendem por meio da interação humana
- Ele propôs o estrutura de minimização de risco contrafactual , junto com vários outros avanços importantes na avaliação contrafactual e aprendizado com o feedback registrado dos bandidos. O raciocínio contrafactual é extremamente importante na maioria dos aplicativos comerciais porque aprender com os registros do usuário requer raciocínio sobre os contrafatuais (por exemplo, como o usuário teria se comportado se fosse recomendado este outro item que ele realmente não viu?). Veja este tutorial para mais detalhes: Avaliação e aprendizado contrafactual
- Ele é um conselheiro incrível.
Resposta
Ele desenvolveu um novo recomendador de música
Recomendações de música e a incorporação de métrica logística