MLRec 2016
Yhteistyössä 16. SIAMin kansainvälisen tiedonlouhintakonferenssin (SDM 2016) kanssa Lauantai 7. toukokuuta 2016, Miami, Florida, USA Edellisen MLRec-konferenssin menestyksen innoittamana tämä toinen laitos keskittyy uusien sekä olemassa olevien koneoppimis- ja tiedonlouhintamenetelmien hyödyntämiseen suositusjärjestelmien kehittämisessä.
On olemassa monia vakiintuneita konferensseja, kuten NIPS ja ICML, jotka keskittyvät koneoppimisalgoritmien teoreettisten ominaisuuksien tutkimiseen. Toisaalta äskettäin perustettu ACM RecSys -konferenssi fokusoituu suositusjärjestelmien suunnittelun ja toteuttamisen eri näkökulmiin. Uskomme, että näiden kahden ääripään välillä on kuilu, ja tämän työpajan tavoitteena on yhdistää koneoppimisen ja tiedonlouhinnan viimeaikaiset edistysaskelet suositusjärjestelmien parantamiseen. Koska monet suosituslähestymistavat perustuvat tiedonlouhinta- ja koneoppimisalgoritmeihin, nämä lähestymistavat ovat syvälle juurtuneet niiden perusteisiin.
Näin ollen tutkijoiden on kiireellisesti tarpeen työskennellä yhdessä kahdesta yhteisöstä selvittääkseen: 1) mitkä ovat viimeksi kehitetyt koneoppimis- ja tiedonlouhintatekniikat, joita voidaan hyödyntää suositusjärjestelmien haasteiden ratkaisemisessa, ja 2) mitkä ovat suositusjärjestelmien haasteista nousevat käytännön tutkimussuunnat koneoppimisen ja tiedonlouhinnan yhteisössä.
Kiinnostuksen kohteet Kannustamme lähettämään esityksiä monenlaisista aiheista, mukaan lukien mutta niihin rajoittumatta: Uudet koneoppimisalgoritmit suositusjärjestelmiin, esim. uudet sisältö- ja kontekstisidonnaiset suositusalgoritmit, uudet algoritmit matriisihajotelmiin kylmän alun (cold-start) kohteiden käsittelyyn, tensoripohjaiset lähestymistavat suositusjärjestelmiin jne. Uudet lähestymistavat olemassa olevien koneoppimisalgoritmien soveltamiseen, esim. bilineaaristen mallien, (ei-kuperan) harvan oppimisen, metrisen oppimisen, matalan arvon approksimaation/PCA/SVD:n, neuroverkkojen ja syväoppimisen soveltaminen suositusjärjestelmiin.
Uudet optimointialgoritmit ja analyysimenetelmät suositusjärjestelmien parantamiseksi, esim. rinnakkaiset/jaetut optimointitekniikat ja tehokas stokastinen gradienttiputoaminen. Suositusjärjestelmien teolliset käytännöt ja toteutukset, esim. piirretekniikka (feature engineering), malliyhdistelmät ja opit suurten mittakaavojen suositusjärjestelmien toteutuksista. Koneoppimismenetelmät tietoturva- ja yksityisyystietoisiin suosituksiin, käyttäjälähtöiset suositukset painottaen käyttäjien vuorovaikutusta ja sitoutumista, Explore-Exploit-lähestymistapa, monihaaraiset bandiitit suosituksiin jne.
Ohjeet käsikirjoituksen lähettämiseen Työpaja hyväksyy pitkät artikkelit sekä lyhyet (demo/juliste) artikkelit. Tähän työpajaan lähetettyjen lyhyiden artikkelien pituus saa olla enintään 4 sivua, kun taas pitkien artikkelien enimmäispituus on 8 sivua. Kaikkien artikkelien tulee olla muotoiltu käyttäen SIAM SODA -makroa . Tekijöiden tulee lähettää artikkelinsa sähköisesti PDF-muodossa lähetyspaikkaan mennessä 1. helmikuuta 2016 klo 23.59 MDT. Sivusto on alkanut vastaanottaa käsikirjoituksia.
Related: — Browser-based, hands-on ML and data-science tracks you can start in 10 minutes.
Tärkeät päivämäärät Artikkelien lähettäminen: 1. helmikuuta 2016 Ilmoitus tekijöille: 10. helmikuuta 2016 Painovalmiin version määräaika: 15. helmikuuta 2016 Työpaja: Lauantai 7. toukokuuta 2016 Järjestelmäongelman vuoksi arvioijat eivät pystyneet toimittamaan arvostelujaan ajoissa. Olemme siirtäneet ilmoitus- ja painovalmiiden versioiden määräpäiviä.
Kiitos ymmärryksestänne. —> Puhujien diat ovat nyt saatavilla ohjelmassa . —> Kutsutut puhujat Tina Eliassi-Rad , Rutgers University Otsikko: Sosiaalisten verkostojen hyödyntäminen suositusjärjestelmissä Tiivistelmä: Tarkastellaan ongelmaa, jossa sosiaalisen verkoston tietoja integroidaan suositusjärjestelmään. Intuitiivisesti tämän ongelman ratkaisemisen pitäisi parantaa suosittelijan suorituskykyä. Tässä esitelmässä keskustelen haasteista, esittelen nykyisen huipputason ja hahmottelen joitakin lupaavia suuntia tälle ongelmalle.
Esittely: Tina Eliassi-Rad on tietojenkäsittelytieteen apulaisprofessori Rutgers Universityssä. Ennen akateemista uraansa hän oli tekninen asiantuntija ja päätutkija Lawrence Livermoren kansallislaboratoriossa. Tina väitteli tohtoriksi tietojenkäsittelytieteestä (sivuaineenaan matemaatilinen tilastotiede) Wisconsin-Madisonin yliopistossa.
Our pick: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Hänen nykyinen tutkimuksensa sijoittuu graafien louhinnan, verkkotieteen ja laskennallisen yhteiskuntatieteen leikkauspisteeseen. Tiedonlouhinnan ja koneoppimisen alalla Tinan tutkimusta on sovellettu World Wide Webiin, tekstikorpuksiin, suurten mittakaavojen tieteellisiin simulaatiodataan, monimutkaisiin verkkoihin, petosten havaitsemiseen ja kybertilannetietoisuuteen. Hän on julkaissut yli 60 vertaisarvioitua artikkelia (mukaan lukien paras artikkeli -palkinnon toinen sija ICDM’09:ssä ja paras monitieteinen artikkeli -palkinto CIKM’12:ssä) sekä pitänyt yli 120 kutsuluentoa.
Hänen algoritmejaan on integroitu hallituksen ja teollisuuden käyttämiin järjestelmiin (esim. IBM System G Graph Analytics) sekä avoimen lähdekoodin ohjelmistoihin (esim.
Stanford Network Analysis Project). Vuonna 2010 hän sai Outstanding Mentor Award -palkinnon Yhdysvaltain energiaministeriön tiedetoimistolta. Lisätietoja löytyy täältä . Julian McAuley , Kalifornian yliopisto, San Diego Otsikko: Arvostelujen hyödyntäminen rikkaampien mielipidemallien rakentamiseen Tiivistelmä: Online-arvostelut ovat usein ensimmäinen pysähdyspaikkamme harkitessamme tuotteita ja ostoksia verkossa.
Valtavien arvostelumäärien (joista monien kanssa emme välttämättä ole samaa mieltä) läpikäyminen on kuitenkin työlästä, erityisesti kun olemme kiinnostuneita jonkin tuotteen kapeasta erityispiirteestä. Tämä viittaa tarpeeseen rakentaa malleja, jotka pystyvät capturing arvostelujen monimutkaisen ja idiosynkraattisen semantiikan, jotta voidaan rakentaa rikkaampia ja henkilökohtaisempia suositusjärjestelmiä.
Tässä esitelmässä keskustelen kolmesta tällaisesta suunnasta: Ensinnäkin, miten arvosteluja voidaan hyödyntää ihmisten mielipiteiden ulottuvuuksien (tai facetien) parempaan ymmärtämiseen? Toiseksi, miten arvosteluja voidaan käyttää kohdennettujen kysymysten vastaamiseen, jotka voivat olla subjektiivisia tai vaatia personoituja vastauksia? Ja kolmanneksi, miten arvosteluja itsessään voidaan syntetisoida ennustamaan, mitä arvostelija sanoisi jopa tuotteista, joita hän ei ole vielä nähnyt? Esittely: Julian McAuleyn tutkimus keskittyy mielipiteiden ja käyttäytymisen kielellisiin, ajallisiin ja visuaalisiin ulottuvuuksiin sosiaalisissa verkoissa ja online-yhteisöissä.
Tämä sisältää ihmisten mielipiteiden eri puolien ymmärtämisen, prosessit, joilla ihmiset “omaksuvat maun” gourmet-ruokiin ja oluisiin, tai jopa ne visuaaliset ulottuvuudet, jotka tekevät vaatteista yhteensopivia. Hän on toiminut apulaisprofessorina UC San Diegossa vuodesta 2014 lähtien ja väitteli tohtoriksi Australian National Universityssä. Hanghang Tong , Arizonan osavaltionyliopisto Otsikko: Kohti optimaalisia tiimejä suurissa verkoissa Tiivistelmä: Maailmanlaajuisesti tunnetussa kirjassaan “The Science of the Artificial” nobelisti Herbert Simon osoitti, että ihmisten monimutkaisen käyttäytymisen määrää enemmän ympäristön kompleksisuus kuin yksittäisten henkilöiden kompleksisuus.
Verkkotieteen nousu ja big datan aikakausi tarjoavat uuden ympäristön/kontekstin, jossa ihmiset ovat vuorovaikutuksessa ja tekevät yhteistyötä suorittaakseen collectively monimutkaisia tehtäviä. Tässä esitelmässä tiivistämme viimeaikaiset pyrkimyksemme analysoida tiimien suorituskykyä suurten verkostojen kontekstissa. Ensinnäkin (karakterisointi): esittelemme havaintomme siitä, millaiset verkkometriikat/ominaisuudet ovat ratkaisevia tiimin suorituskyvylle ja missä määrin.
Toiseksi (ennustaminen): esittelemme ennustemalleja ennakoidaksemme annetun tiimin suorituskykyä varhaisessa vaiheessa sen verkkorakenteen perusteella. Lopuksi (parantaminen): esittelemme työkaluja ja algoritmeja olemassa olevan tiimin suorituskyvyn parantamiseksi.
Esittely: Hanghang Tong on tällä hetkellä apulaisprofessori Computing, Informatics, and Decision Systems Engineering (CIDSE) -koulussa Arizonan osavaltionyliopistossa. Sitä ennen hän oli apulaisprofessori tietojenkäsittelytieteen laitoksella City Collegessa, New Yorkin kaupunginyliopistossa, tutkimushenkilöstön jäsen IBM T.J. Watson Research Centerissä ja post-doc-tutkija Carnegie Mellonin yliopistossa. Hän suoritti M.Sc- ja Ph.D.-tutkintonsa Carnegie Mellonin yliopistossa vuosina 2008 ja 2009, molemmat pääaineenaan koneoppiminen.
Hänen tutkimuskiinnostuksensa kohteena on suurten mittakaavojen graafien ja multimedian tiedonlouhinta. Hän on saanut useita palkintoja, mukaan lukien yksi ‘test of time’ -palkinto (ICDM
P.S. A few readers have asked which professional skills platform we actually reach for — it's Pluralsight; if you want the current details.
Benchmark your data skills with Pluralsight's free trial
Skills assessments, learning paths, and hands-on labs for working data professionals