Bästa svaret
Professor Joachims har gjort ett antal viktiga / banbrytande bidrag inom områdena maskininlärning och information hämtning. Han har vunnit fyra absurda utmärkelser, varav 3 som enda författare! (Ansvarsfriskrivning: Jag var en av hans elever, så en liten del av detta kommer att låta som skamlös självreklam.)
- SVM-Light var en av de första ”snabba” SVM-lösarna som övertygade många om att sådana inlärningsalgoritmer kunde tillämpas på saker som textklassificering. Tillbaka på 1990-talet var detta inte självklart. Se det här tidigt . Hans senare arbete med Träning Linjära SVM: er i linjär tid vann KDD 2017 Test-of-Time-utmärkelsen.
- 1999 publicerade han en uppsats om Transduktiva SVM: er som vann bästa 10-åriga test-of-Time-priset på ICML 2009.
- SVM-Struct är den första mycket allmän plattform för att utveckla Strukturerad stödvektormaskin närmar sig Strukturerad förutsägelse . Detta är originalpapper , och detta är journalversion . Strukturella SVM: er används ofta i många forskningsområden , inklusive datorsyn och naturlig språkbehandling.
- Han satte gränsen för vad det innebär att göra Strukturerad förutsägelse . Under lång tid, strukturerad förutsägelse var stor begränsad till problem som naturligt modellerades som slutsats på grafiska modeller. Han visade hur vi kan tänka på andra problem också som strukturerade förutsägelsesproblem. Exempel inkluderar ranking (även den här ), kluster , proteininriktning och diversitetsmaximering (t.ex. för sammanfattning av dokument ).
- Han var en av de första som studerade hur man tränar informationshämtnings- och rekommendatorsystem baserat på användarfeedback (t.ex. som vad folk klickar på när de använder webbsökning). Tro det eller ej, detta var inte uppenbart i slutet av 1990-talet och början av 2000-talet. Se dessa två tidningar , av vilka den första vann KDD 2012 Test-of-Time utmärkelsen.
- Han var en av de första som studerade fördomar när det gäller att lära av mänsklig feedback i informationssökning och rekommenderingssystem. Till exempel, när en användare klickar på ett sökresultat, betyder det ofta inte att resultatet är ”bra” på en absolut nivå, bara att det är bättre än de högre rankade resultaten. Se detta tidskrift , som vann SIGIR 2016 Test-of-Time-utmärkelsen. Se även: Självförbättrande system som lär sig genom mänsklig interaktion
- Han uppfann interleaving-tillvägagångssätt för att framkalla tillförlitliga preferenser från implicit feedback som klickdata. Interleaving används nu allmänt i många kommersiella miljöer, inklusive stora sökmotorer som Google och Bing. Här är några tidigare papper . Se även: Självförbättrande system som lär sig genom mänsklig interaktion
- Han föreslog flera interaktiva / online-inlärningsformuleringar för att karakterisera hur ett rekommendatorsystem kan lära sig ”on-the-fly” från användarens feedback. Dessa inkluderar Duelling Bandits Problem och Coactive Learning , som båda tar hänsyn till ovannämnda fördomar i hur användare ger feedback. En avancerad version av denna metod användes i flera månader på arXiv.org . Se även: Självförbättrande system som lär sig genom mänsklig interaktion
- Han föreslog kontrafaktisk riskminimering ram, tillsammans med flera andra viktiga framsteg inom kontrafaktisk utvärdering och lärande från inloggad banditfeedback. Kontrafaktiskt resonemang är oerhört viktigt i de flesta kommersiella applikationer eftersom lärande av användarloggar kräver resonemang om kontrafaktiska (t.ex. hur skulle användaren ha uppfört sig om hon rekommenderades det här andra objektet som hon inte såg?). Se den här handledningen för mer information: Counterfactual Evaluation and Learning
- Han är en fantastisk rådgivare.
Svar
Han utvecklade en ny musikrekommendator