MLRec 2016

En conjonction avec la 16e Conférence internationale de la SIAM sur l’exploration de données (SDM 2016)
Samedi 7 mai 2016, Miami, Floride, États-Unis

Fort du succès de l’édition précédente de MLRec, cette deuxième édition met l’accent sur l’application de méthodologies d’apprentissage automatique et d’exploration de données, tant nouvelles qu’existantes, pour améliorer les systèmes de recommandation. De nombreuses conférences établies, telles que NIPS et ICML, se concentrent sur l’étude des propriétés théoriques des algorithmes d’apprentissage automatique. À l’inverse, la conférence récemment créée ACM RecSys aborde différents aspects de la conception et de la mise en œuvre de systèmes de recommandation.

Nous estimons qu’il existe un fossé entre ces deux pôles, et cet atelier vise à combler ce vide en reliant les avancées récentes des algorithmes d’apprentissage automatique et d’exploration de données à l’amélioration des systèmes de recommandation. Étant donné que de nombreuses approches de recommandation reposent sur des algorithmes d’exploration de données et d’apprentissage automatique, elles sont profondément ancrées dans leurs fondements. Ainsi, il est urgent que les chercheurs de ces deux communautés travaillent conjointement sur : 1) les techniques d’apprentissage automatique et d’exploration de données récemment développées qui peuvent être exploitées pour relever les défis des systèmes de recommandation, et 2) les directions de recherche pratiques pour la communauté de l’apprentissage automatique et de l’exploration de données, découlant des défis posés par les systèmes de recommandation.

Sujets d’intérêt

Nous encourageons les soumissions portant sur une variété de sujets, notamment mais sans s’y limiter :

• Nouveaux algorithmes d’apprentissage automatique pour les systèmes de recommandation, par exemple : nouveaux algorithmes de recommandation tenant compte du contenu/du contexte, nouveaux algorithmes de factorisation matricielle gérant les items à démarrage à froid (cold-start), approches tensorielles pour les systèmes de recommandation, etc.
• Nouvelles approches pour l’application d’algorithmes d’apprentissage automatique existants, par exemple : application de modèles bilinéaires, d’apprentissage parcimonieux (non convexe), d’apprentissage métrique, d’approximation de rang faible/ACP/SVD, de réseaux de neurones et d’apprentissage profond aux systèmes de recommandation.
• Nouveaux algorithmes d’optimisation et analyses pour améliorer les systèmes de recommandation, par exemple : techniques d’optimisation parallèle/distribuée et descente de gradient stochastique efficace.
• Pratiques industrielles et implémentations de systèmes de recommandation, par exemple : ingénierie des caractéristiques (feature engineering), ensemble de modèles, et enseignements tirés des implémentations de systèmes de recommandation à grande échelle.
• Méthodes d’apprentissage automatique pour des recommandations respectueuses de la sécurité et de la vie privée, recommandations centrées sur l’utilisateur mettant l’accent sur l’interaction et l’engagement des utilisateurs, approche Explore-Exploit, bandits manchots multi-bras pour la recommandation, etc.

Instructions de soumission

L’atelier accepte les articles longs et les articles courts (démo/poster). Les articles courts soumis à cet atelier doivent être limités à 4 pages, tandis que les articles longs ne doivent pas dépasser 8 pages. Tous les articles doivent être formatés en utilisant la macro SIAM SODA. Les auteurs sont tenus de soumettre leurs articles électroniquement au format PDF sur le site de soumission avant le 1er février 2016 à 23h59 (MDT). Le site a commencé à accepter les manuscrits.

Dates importantes

• Soumission des articles : 1er février 2016
• Notification aux auteurs : 10 février 2016
• Date limite pour la version finale (Camera Ready) : 15 février 2016
• Atelier : Samedi 7 mai 2016

En raison d’un problème technique, les évaluateurs n’ont pas pu soumettre leurs rapports à temps. Nous avons donc reporté les dates de notification et de remise de la version finale. Merci de votre compréhension. —> Les diaporamas des intervenants sont désormais disponibles dans le Programme . —>

Related: Coursera (DeepLearning.AI & university specializations) — University- and industry-branded ML specializations with graded assignments and shareable certificates.

Intervenants invités

Tina Eliassi-Rad , Université Rutgers

Titre : Utilisation des réseaux sociaux dans les systèmes de recommandation
Résumé : Considérons le problème de l’intégration des informations issues des réseaux sociaux dans un système de recommandation. Intuitivement, la résolution de ce problème devrait améliorer les performances du recommandeur. Dans cette présentation, je discuterai des défis, présenterai l’état de l’art actuel et esquisserai quelques pistes prometteuses pour ce problème.
Biographie : Tina Eliassi-Rad est professeure associée en informatique à l’Université Rutgers. Avant de rejoindre le monde universitaire, elle était membre du personnel technique et chercheuse principale au Laboratoire national Lawrence Livermore. Tina a obtenu son doctorat en informatique (avec une mineure en statistiques mathématiques) à l’Université du Wisconsin-Madison. Ses recherches actuelles se situent à l’intersection de l’exploration de graphes, de la science des réseaux et des sciences sociales computationnelles. Dans le domaine de l’exploration de données et de l’apprentissage automatique, les recherches de Tina ont été appliquées au World-Wide Web, aux corpus textuels, aux données de simulations scientifiques à grande échelle, aux réseaux complexes, à la détection de fraude et à la conscience situationnelle cybernétique. Elle a publié plus de 60 articles évalués par des pairs (dont un prix du meilleur article finaliste à ICDM’09 et un prix du meilleur article interdisciplinaire à CIKM’12) et a donné plus de 120 présentations sur invitation. Ses algorithmes ont été intégrés dans des systèmes utilisés par le gouvernement et l’industrie (par exemple, IBM System G Graph Analytics) ainsi que dans des logiciels open source (par exemple, Stanford Network Analysis Project). En 2010, elle a reçu le prix Outstanding Mentor Award du Bureau des sciences du Département américain de l’Énergie (US DOE Office of Science). Pour plus de détails, visitez ici .

Julian McAuley , Université de Californie, San Diego

Titre : Exploiter les avis pour construire des modèles d’opinions plus riches
Résumé : Les avis en ligne sont souvent notre premier réflexe lorsque nous envisageons des produits et des achats sur Internet. Pourtant, naviguer dans d’énormes volumes d’avis (dont beaucoup peuvent ne pas correspondre à notre opinion) est fastidieux, surtout lorsque nous nous intéressons à un aspect de niche d’un produit. Cela suggère la nécessité de construire des modèles capables de saisir la sémantique complexe et idiosyncrasique des avis, afin de créer des systèmes de recommandation plus riches et plus personnalisés. Dans cette présentation, je discuterai de trois axes : Premièrement, comment les avis peuvent-ils être exploités pour mieux comprendre les dimensions (ou facettes) des opinions des gens ? Deuxièmement, comment les avis peuvent-ils être utilisés pour répondre à des questions ciblées, qui peuvent être subjectives ou nécessiter des réponses personnalisées ? Et troisièmement, comment les avis eux-mêmes peuvent-ils être synthétisés afin de prédire ce qu’un utilisateur dirait, même pour des produits qu’il n’a pas encore vus ?
Biographie : Les recherches de Julian McAuley portent sur les dimensions linguistiques, temporelles et visuelles des opinions et des comportements dans les réseaux sociaux et les communautés en ligne. Cela inclut la compréhension des facettes des opinions des individus, des processus par lesquels les gens « acquièrent des goûts » pour les aliments gastronomiques et les bières, ou même des dimensions visuelles qui rendent les vêtements compatibles. Il est professeur assistant à l’UC San Diego depuis 2014 et a obtenu son doctorat à l’Université nationale australienne.

Hanghang Tong , Université d’État de l’Arizona

Titre : Vers des équipes optimales dans les grands réseaux
Résumé : Dans son livre mondialement reconnu « The Science of the Artificial », le prix Nobel Herbert Simon a souligné que c’est davantage la complexité de l’environnement que celle des individus qui détermine le comportement complexe des humains. L’émergence de la science des réseaux et l’avènement du big data fournissent un nouvel environnement/contexte où les personnes interagissent et collaborent pour accomplir collectivement des tâches complexes. Dans cette présentation, nous résumerons nos efforts récents sur l’analyse de la performance des équipes dans le contexte des grands réseaux. Premièrement (caractérisation) : nous présenterons nos conclusions sur les types de métriques/caractéristiques de réseau cruciales pour la performance des équipes, et dans quelle mesure. Deuxièmement (prédiction) : nous présenterons des modèles prédictifs pour anticiper la performance d’une équipe donnée à un stade précoce, en fonction de sa structure de réseau. Enfin (amélioration) : nous présenterons des outils et des algorithmes pour améliorer la performance d’une équipe existante.
Biographie : Hanghang Tong est actuellement professeur assistant à l’École d’informatique, d’informatique décisionnelle et de systèmes d’ingénierie (CIDSE) de l’Université d’État de l’Arizona. Auparavant, il était professeur assistant au département d’informatique du City College de l’Université de la Ville de New York, membre du personnel de recherche au centre de recherche IBM T.J. Watson et boursier postdoctoral à l’Université Carnegie Mellon. Il a obtenu sa maîtrise et son doctorat à l’Université Carnegie Mellon en 2008 et 2009, tous deux spécialisés en apprentissage automatique. Ses intérêts de recherche portent sur l’exploration de données à grande échelle pour les graphes et les multimédias. Il a reçu plusieurs prix, dont un prix « test of time » (ICDM

P.S. A few readers have asked which interactive learning platform we actually reach for — it's DataCamp; take a look here if you want the current details.