Was sind die größten Beiträge von Thorsten Joachims zum maschinellen Lernen?


Beste Antwort

Professor Joachims hat eine Reihe wichtiger / wegweisender Beiträge in den Bereichen maschinelles Lernen und Information geleistet Abruf. Er hat absurde 4 Test-of-Time-Preise gewonnen, darunter 3 als Einzelautor! (Haftungsausschluss: Ich war einer seiner Schüler, daher wird ein kleiner Teil davon wie schamlose Eigenwerbung klingen.)

  • SVM-Light war einer der ersten „schnellen“ SVM-Löser, der viele Menschen davon überzeugte, dass solche Lernalgorithmen auf Dinge wie die Textklassifizierung angewendet werden können. In den 90er Jahren war dies nicht offensichtlich. Siehe dieses frühe Papier . Seine spätere Arbeit an Training Lineare SVMs in linearer Zeit wurden mit dem KDD 2017 Test-of-Time Award ausgezeichnet.
  • 1999 veröffentlichte er einen Artikel über Transduktive SVMs , der auf der ICML 2009 den Preis für den besten 10-Jahres-Test der Zeit gewonnen hat.
  • SVM-Struct ist der erste sehr Allgemeine Plattform für die Entwicklung von Strukturierten Support-Vektor-Maschinen Ansätzen für Strukturierte Vorhersage Dies ist die Originalarbeit , und dies ist die Journalversion . Strukturelle SVMs werden heute in vielen Forschungsbereichen häufig verwendet , einschließlich Computer Vision und Verarbeitung natürlicher Sprache.
  • Er überschritt die Grenze dessen, was es bedeutet, Strukturierte Vorhersage zu tun. Die strukturierte Vorhersage war groß beschränkt sich auf Probleme, die natürlich als Inferenz auf grafischen Modellen modelliert wurden. Er zeigte, wie wir uns andere Probleme auch als strukturierte Vorhersageprobleme vorstellen können. Beispiele sind Ranking (auch dieses ), Clustering , Proteinausrichtung und Diversity-Maximierung (z für Dokumentzusammenfassung ).
  • Er war einer der ersten, der untersuchte, wie man Informationsabruf- und Empfehlungssysteme basierend auf Benutzerfeedback (z als was Leute klicken, wenn sie die Websuche verwenden). Ob Sie es glauben oder nicht, dies war in den späten 1990ern und frühen 2000ern nicht offensichtlich. Sehen Sie sich diese zwei -Papiere an, von denen die erste den KDD 2012-Test of Time gewann Auszeichnung.
  • Er war einer der ersten, der Vorurteile beim Lernen aus menschlichem Feedback in Informationsabruf- und Empfehlungssystemen untersuchte. Wenn ein Benutzer beispielsweise auf ein Suchergebnis klickt, bedeutet dies oft nicht, dass das Ergebnis auf einer absoluten Ebene „gut“ ist, sondern nur, dass es besser ist als die höherrangigen Ergebnisse. Siehe dieses Journalpapier , das mit dem SIGIR 2016 Test-of-Time Award ausgezeichnet wurde. Siehe auch: Selbstverbessernde Systeme, die durch menschliche Interaktion lernen
  • Er erfand die Interleaving-Ansatz zum Abrufen zuverlässiger Präferenzen aus implizitem Feedback wie Klickdaten. Interleaving ist mittlerweile in vielen kommerziellen Umgebungen weit verbreitet, einschließlich großer Suchmaschinen wie Google und Bing. Hier sind einige frühere -Papiere . Siehe auch: Selbstverbessernde Systeme, die durch menschliche Interaktion lernen
  • Er schlug mehrere interaktive / Online-Lernformulierungen vor, um zu charakterisieren, wie ein Empfehlungssystem aussehen könnte Lernen Sie „on-the-fly“ aus dem Feedback der Benutzer. Dazu gehören das Duell-Banditen-Problem und Koaktives Lernen , die beide das oben Genannte berücksichtigen Verzerrungen in der Art und Weise, wie Benutzer Feedback geben. Eine erweiterte Version dieses Ansatzes wurde monatelang auf arXiv.org bereitgestellt. Siehe auch: Selbstverbessernde Systeme, die durch menschliche Interaktion lernen
  • Er schlug die vor Rahmen für die kontrafaktische Risikominimierung sowie einige andere wichtige Fortschritte bei der kontrafaktischen Bewertung und beim Lernen aus protokolliertem Banditenfeedback. Kontrafaktisches Denken ist in den meisten kommerziellen Anwendungen äußerst wichtig, da das Lernen aus Benutzerprotokollen das Nachdenken über kontrafaktische Aspekte erfordert (z. B. wie hätte sich der Benutzer verhalten, wenn ihm dieses andere Element empfohlen worden wäre, das er tatsächlich nicht gesehen hat?). Weitere Informationen finden Sie in diesem Tutorial: Kontrafaktische Bewertung und Lernen
  • Er ist ein hervorragender Berater.

Antwort

Er entwickelte einen neuartigen Musikempfehlungsgeber

Musikempfehlungen und die Einbettung logistischer Metriken

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.