MLRec 2015

第 15 回 SIAM データマイニング国際会議（SDM 2015）と共催
2015 年 5 月 2 日、カナダ・ブリティッシュコロンビア州バンクーバー

MLRec’15 の論文集は現在ダウンロード可能です。

本ワークショップは、推薦システムの性能向上のために、新規および既存の機械学習・データマイニング手法を応用することに焦点を当てています。NIPS や ICML など、機械学習アルゴリズムの理論的性質の研究に注力する確立された会議は数多く存在します。一方、近年設立された ACM RecSys は、推薦システムの設計や実装における多様な側面に重点を置いています。私たちは、これら二つの領域の間にはギャップが存在すると考え、本ワークショップでは、機械学習およびデータマイニングアルゴリズムの最新進展を推薦システムの改善につなげることを目指しています。

多くの推薦アプローチはデータマイニングおよび機械学習アルゴリズムに基づいて構築されており、その基盤に深く根ざしています。そのため、両コミュニティの研究者が協力して取り組むべき課題として、以下の 2 点が緊急に求められています：

1. 推薦システムが抱える課題に対処するために活用可能な、最近開発された機械学習およびデータマイニング技術とは何か。
2. 推薦システムの課題から導き出される、機械学習およびデータマイニングコミュニティにおける実践的な研究方向性は何か。

関心のあるトピック

以下を含む多様なトピックに関する投稿を歓迎します（下記に限定されません）：

• 推薦システムのための新規機械学習アルゴリズム（例：新しいコンテンツ／文脈依存型推薦アルゴリズム、コールドスタートアイテムに対応する行列因子分解の新アルゴリズム、推薦システム向けのテンソルベースアプローチなど）
• 既存の機械学習アルゴリズムを推薦システムに応用する新規アプローチ（例：双線形モデル、（非凸）スパース学習、計量学習、低ランク近似／PCA／SVD、ニューラルネットワークおよび深層学習の適用など）
• 推薦システムを改善するための新規最適化アルゴリズムとその解析（例：並列／分散最適化技術、効率的な確率的勾配降下法など）
• 推薦システムの産業現場での実践と実装（例：特徴量エンジニアリング、モデルアンサンブル、大規模推薦システム実装から得られた教訓など）
• セキュリティおよびプライバシーを考慮した推薦のための機械学習手法、ユーザーのインタラクションとエンゲージメントを重視したユーザー中心型推薦、Explore-Exploit アプローチ、推薦におけるマルチアームドバンディットなど

投稿要領

本ワークショップでは、長編論文および短編論文（デモ／ポスター）を受け付けます。短編論文は 4 ページ以内、長編論文は 8 ページ以内に制限されます。すべての論文は SIAM SODA マクロを使用してフォーマットしてください。

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

著者は、論文を PDF 形式で電子提出サイトへ、MDT 基準で 2015 年 2 月 2 日午後 11 時 59 分までに提出する必要があります。現在、原稿の受け付けを開始しています。

重要な日程

• 論文投稿締切：2015 年 2 月 2 日
• 採否通知：2015 年 2 月 10 日
• カメラレディ版提出締切：2015 年 2 月 16 日
• ワークショップ開催日：2015 年 5 月 2 日

講演者のスライドは現在プログラムページで入手可能です。

招待講演者

Chih-Jen Lin（国立台湾大学）

タイトル: MF（行列因子分解）および FM（Factorization Machines）を用いた推薦システム

Where we would start: Udemy — One-off, low-cost ML and recommender-systems courses you own forever.

概要:
MF（行列因子分解）と FM（Factorization Machines）はいずれも推薦システムにおいて効果的な手法です。講演の前半では、ユーザーからアイテムへの評価値のみが与えられている状況を仮定した MF に焦点を当てます。共有メモリシステム向けに開発した並列パッケージ LIBMF に関する最近の取り組みについて議論します。現在、確率的勾配（SG）法は MF の最適化問題を解くための最も一般的なアルゴリズムの一つですが、逐次的手法であるため並列化が困難です。私たちはキャッシュミス率を慎重に低減し、スレッド間の負荷バランスを改善することで、効果的な並列 SG 実現を実現しました。さらに、SG の性能は学習率の設定に大きく依存するため、高速かつ安定した収束を達成するための適応型手法をいくつか開発しました。実験結果により、我々の実装は既存の並列行列因子分解パッケージを上回る性能を示すことが確認されています。

講演の後半では、ユーザーまたはアイテムの特徴量が利用可能な状況を検討します。そのような状況において FM（Factorization Machines）は有用なモデルです。近年、FM の拡張版である FFM（Field-aware FM）が、計算広告における CTR 予測において非常に効果的であることが示されています。私たちは、CTR 予測に関する 2 つの Kaggle コンペティションで優勝したグループメンバーのアプローチについて議論します。本研究は一般公開用の別のパッケージ LIBFFM としてリリースされています。

略歴:
Chih-Jen Lin 氏は現在、国立台湾大学計算機科学科の distinguished professor です。1993 年に国立台湾大学にて学士号を取得し、1998 年にミシガン大学にて博士号を取得しました。主な研究分野は機械学習、データマイニング、数値最適化です。データ分類におけるサポートベクターマシン（SVM）に関する研究で広く知られており、彼のソフトウェア LIBSVM は最も広く利用され引用されている SVM パッケージの一つです。その研究業績により、ACM KDD 2010 および ACM RecSys 2013 の最優秀論文賞など多数の賞を受賞しています。機械学習アルゴリズムおよびソフトウェア設計への貢献により、IEEE フェロー、AAAI フェロー、ACM Distinguished Scientist に選出されています。詳細はこちらをご覧ください。

George Karypis（ミネソタ大学）

タイトル: 未定
概要: 未定
略歴:
George Karypis 氏は現在、ミネソタ州ツインシティーズ（ミネアポリス・セントポール）にあるミネソタ大学計算機科学工学科の教授であり、同大学のデジタルテクノロジーセンター（DTC）のメンバーです。彼の研究関心はバイオインフォマティクス、ケモインフォマティクス、データマイニング、高性能コンピューティングに集中しており、時折、情報検索、協調フィルタリング、VLSI CAD 向けの電子設計自動化などの分野における様々な問題にも取り組んでいます。これらの領域内で、彼の研究は重要な既存および新興の問題を解決するための新規アルゴリズムの開発、ならびにそれらのアルゴリズムを実装する実用的なソフトウェアツールの開発に焦点を当てています。彼の研究成果はさまざまな会議で発表され、主要な査読付きジャーナルおよび厳選された会議論文集に掲載されています。

Martin Ester（サイモンフレーザー大学）

タイトル: ソーシャルメディアにおける推薦のための確率的グラフィカルモデル

概要:
本講演では、ソーシャルメディアの 2 つの鍵となる要素、すなわちソーシャルネットワークと位置情報ベースサービスに注目し、それらの特性をモデル化して効果的なアイテムおよび場所の推薦如何实现するかを検討します。社会科学においては、社会的影響（友人同士は互いに類似していく傾向がある）と同質性あるいは選択（人々は自分と似た人と友人になる傾向がある）が、ソーシャルネットワークの動態を駆動する要因として特定されています。講演の前半では、これらの効果を活用してソーシャルネットワーク内でのアイテム推薦精度を向上させる方法について議論します。

Related: Manning Publications — Deep, project-driven ML books and video courses — including the MEAP early-access program.

講演の主な後半部分では、ソーシャルメディアのもう一つの重要な側面、すなわち位置情報ベースソーシャルネットワーク（LBSN）を探求します。LBSN における鍵となる効果は地理的影響であり、これは近接した場所ほど遠く離れた場所よりも類似した特徴を持つことを意味します。場所の推薦は従来のアイテム推薦とは本質的に異なります。なぜなら、物理的な場所へのチェックインは、映画などのアイテムの採用よりもユーザーにより大きなコミットメントを要求するからです。私たちは、これらの特性を捉えて場所推薦を行うための確率的グラフィカルモデルを提示します。本講演では関連研究について議論し、特に私たち自身の研究に焦点を当てます。結論として、ソーシャルメディアにおける推薦という魅力的な分野における将来の研究に向けた興味深い方向性を概説します。

略歴:
Martin Ester 氏は計算機科学の博士号を取得しました（以降の経歴情報は原文で切断されています）。

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.