MLRec 2016

第 16 回 SIAM データマイニング国際会議（SDM 2016）併設
2016 年 5 月 7 日（土）、米国フロリダ州マイアミ

前回の MLRec の成功を受け、本年第 2 回となる本ワークショップでは、レコメンデーションシステムの性能向上に向けた、新規および既存の機械学習・データマイニング手法の応用に焦点を当てます。NIPS や ICML など、機械学習アルゴリズムの理論的特性の研究に注力する確立されたカンファレンスは数多く存在します。一方、近年設立された ACM RecSys は、レコメンデーションシステムの設計と実装のさまざま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ギャップが存在すると考えており、本ワークショップは、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レコメンデーションシステムの改善につなげることを目的としています。多くのレコメンデーション手法はデータマイニングや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。したがって、両コミュニティの研究者が協力して取り組むべき喫緊の課題として、1) レコメンデーションシステムにおける課題解決に活用可能な最新の機械学習・データマイニング技術は何か、および 2) レコメンデーションシステムにおける課題から導き出される、機械学習・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、という点が挙げられます。

募集トピック

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）：

• レコメンデーション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／コンテキスト認識型レコメンデーションアルゴリズム、コールドスタートアイテムに対応する新しい行列分解アルゴリズム、レコメンデーションシステムのため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応用した新規アプローチ（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などをレコメンデーションシステムに適用する手法）
• レコメンデーション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）
• レコメンデーションシステムの産業における実践と実装（例：特徴量エンジニアリング、モデルアンサンブル、大規模レコメンデーションシステムの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レコメンデーション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レコメンデーション、探索・活用（Explore-Exploit）アプローチ、レコメンデーションのための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。本ワークショップへ投稿される短編論文は 4 ページ以内、長編論文は 8 ページ以内とする必要があります。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。著者は、2016 年 2 月 1 日午後 11 時 59 分（MDT）までに、PDF 形式の論文を投稿サイトへ電子的に提出する必要があります。現在、投稿サイトの受付を開始しています。

重要な日程

• 論文投稿締切：2016 年 2 月 1 日
• 採否通知：2016 年 2 月 10 日
• カメラレディ版提出締切：2016 年 2 月 15 日
• ワークショップ開催日：2016 年 5 月 7 日（土）

システム上の問題により、査読者が期限内に査読結果を提出できなくなりました。そのため、採否通知およびカメラレディ版提出の日程を延期いたします。ご理解いただきありがとうございます。

—> 講演者のスライドは プログラム からご覧いただけます。

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

招待講演者

Tina Eliassi-Rad （ラトガーズ大学）

タイトル： レコメンデーションシステムにおけるソーシャルネットワークの活用
概要： ソーシャルネットワーク情報をレコメンデーションシステムに組み込む問題について考察します。直感的には、この問題を解決することでレコメンデーションの性能が向上するはずです。本講演では、この問題に伴う課題について議論し、現在の最先端技術を提示するとともに、有望な方向性を概説します。
略歴： Tina Eliassi-Rad 氏は、ラトガーズ大学計算機科学科の准教授です。学界に加わる前は、ローレンス・リバモア国立研究所で技術スタッフおよび主席研究員を務めました。ウィスコンシン大学マディソン校にて計算機科学（副専攻：数理統計学）の博士号を取得。現在の研究は、グラフマイニング、ネットワークサイエンス、計算社会科学の交差点に位置しています。データマイニングおよび機械学習の分野において、Tina 氏の研究はワールド・ワイド・ウェブ、テキストコーパス、大規模科学シミュレーションデータ、複雑ネットワーク、不正検出、サイバー状況認識などに応用されています。60 本以上の査読付き論文（ICDM’09 での最優秀論文次点賞、CIKM’12 での最優秀学際論文賞を含む）を発表し、120 回以上の招待講演を行っています。彼女のアルゴリズムは、政府や産業界（例：IBM System G Graph Analytics）で使用されるシステムや、オープンソースソフトウェア（例：Stanford Network Analysis Project）にも組み込まれています。2010 年には、米国エネルギー省科学局より優秀メンター賞を受賞しました。詳細はこちらをご覧ください。

Julian McAuley （カリフォルニア大学サンディエゴ校）

タイトル： レビューを活用した意見モデルの高度化
概要： オンラインで製品や購入を検討する際、オンラインレビューはしばしば最初の参照先となります。しかし、膨大な量のレビュー（その多くに同意できない場合もある）をナビゲートするのは労力を要し、特に製品のニッチな側面に興味がある場合は顕著です。これは、レビューの複雑かつ個性的な意味論を捉えることができるモデルを構築し、より豊かでパーソナライズされたレコメンデーションシステムを実現する必要性を示唆しています。本講演では、以下の 3 つの方向性について議論します。第一に、レビューをどのように活用すれば、人々の意見の次元（または側面）をよりよく理解できるか。第二に、レビューをどのように利用すれば、主観的であったりパーソナライズされた回答を必要とするようなターゲットを絞った質問に答えられるか。第三に、レビュー自体をどのように合成すれば、まだ見たことのない製品に対してもレビュアーが何を言うかを予測できるか。
略歴： Julian McAuley 氏の研究は、ソーシャルネットワークおよびオンラインコミュニティにおける意見と行動の言語的、時間的、視覚的次元に焦点を当てています。これには、人々の意見の側面の理解、グルメフードやビールに対する「好み」を獲得するプロセス、あるいは衣類アイテムの適合性を決定する視覚的次元の解明などが含まれます。2014 年から UC サンディエゴ校の助教授を務め、オーストラリア国立大学で博士号を取得しました。

Hanghang Tong （アリゾナ州立大学）

タイトル： 大規模ネットワークにおける最適チームの実現に向けて
概要： ノーベル賞受賞者ハーバート・サイモンの世界的に著名な著書『人工の科学』において指摘されているように、人間の複雑な行動を決定するのは個人の複雑さではなく、環境の複雑さです。ネットワークサイエンスの台頭とビッグデータの登場は、人々が互いに相互作用し、協力して複雑なタスクを集体的に遂行するための新たな環境・文脈を提供しました。本講演では、大規模ネットワークの文脈におけるチームパフォーマンスの分析に関する最近の取り組みを総括します。まず（特徴付け）、どのようなネットワーク指標・特性がチームパフォーマンスにとって重要であり、どの程度の影響を与えるかについての知見を提示します。次に（予測）、ネットワーク構造に基づいて、初期段階で与えられたチームのパフォーマンスを予測するモデルを紹介します。最後に（強化）、既存のチームのパフォーマンスを向上させるためのツールとアルゴリズムを提示します。
略歴： Hanghang Tong 氏は現在、アリゾナ州立大学計算機・情報学・意思決定システム工学科（CIDSE）の助教授です。在此之前、ニューヨーク市立大学シティカレッジ計算機科学科の助教授、IBM T.J. ワトソン研究所の研究員、カーネギーメロン大学の博士研究員を務めました。2008 年および 2009 年にカーネギーメロン大学にて修士号および博士号を取得し、いずれも機械学習を専攻しました。研究関心は、グラフおよびマルチメディアの大規模データマイニングです。いくつかの賞を受賞しており、その中には「test of time」賞（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.