MLRec 2015

제 15 회 SIAM 국제 데이터 마이닝 회의 (SDM 2015) 와 병행 개최
2015 년 5 월 2 일, 캐나다 브리티시 컬럼비아 주 밴쿠버

MLRec’15 논문집이 이제 다운로드 가능합니다. 본 워크숍은 추천 시스템을 개선하기 위해 신규 및 기존 머신러닝 및 데이터 마이닝 방법론을 적용하는 데 중점을 둡니다. NIPS 나 ICML 과 같은 많은 유명 컨퍼런스들이 머신러닝 알고리즘의 이론적 속성 연구에 집중하는 반면, 최근에 신설된 ACM RecSys 컨퍼스는 추천 시스템의 설계 및 구현과 관련된 다양한 측면에 주목합니다. 저희는 이 두 영역 사이에 간극이 존재한다고 믿으며, 본 워크숍은 머신러닝 및 데이터 마이닝 알고리즘의 최근 발전 성과를 추천 시스템 개선으로 연결하는 가교 역할을 하고자 합니다. 많은 추천 접근법이 데이터 마이닝 및 머신러닝 알고리즘을 기반으로 구축되어 그 근간에 깊이 뿌리내리고 있기 때문에, 양쪽 커뮤니티의 연구자들이 다음과 같은 두 가지 핵심 질문에 공동으로取り組む 것이 시급합니다: 1) 추천 시스템의 과제를 해결하는 데 활용할 수 있는 최근 개발된 머신러닝 및 데이터 마이닝 기법은 무엇인가? 2) 추천 시스템에서 직면한 과제를 바탕으로 머신러닝 및 데이터 마이닝 커뮤니티에서 추구해야 할 실용적인 연구 방향은 무엇인가?

관심 주제

다음과 같은 다양한 주제에 대한 논문을 환영합니다 (이에 국한되지 않음):

• 추천 시스템을 위한 신규 머신러닝 알고리즘 (예: 새로운 콘텐츠/컨텍스트 인지형 추천 알고리즘, 콜드스타트 항목을 처리하는 새로운 행렬 분해 알고리즘, 추천 시스템을 위한 텐서 기반 접근법 등)
• 기존 머신러닝 알고리즘 적용을 위한 신규 접근법 (예: 쌍선형 모델, (비볼록) 희소 학습, 거리度量 학습, 저랭크 근사/PCA/SVD, 신경망 및 딥러닝 등을 추천 시스템에 적용)
• 추천 시스템 개선을 위한 신규 최적화 알고리즘 및 분석 (예: 병렬/분산 최적화 기법 및 효율적인 확률적 경사 하강법)
• 추천 시스템의 산업계 실무 및 구현 사례 (예: 특성 공학, 모델 앙상블, 대규모 추천 시스템 구현에서 얻은 교훈)
• 보안 및 프라이버시를 고려한 추천을 위한 머신러닝 방법, 사용자의 상호작용 및 참여를 강조한 사용자 중심 추천, 탐색 - 활용 (Explore-Exploit) 접근법, 추천을 위한 멀티암드 밴딧 등

제출 안내

본 워크숍은 장편 논문과 단편 (데모/포스터) 논문을 모두 접수합니다. 본 워크숍에 제출되는 단편 논문은 4 페이지로, 장편 논문은 8 페이지로 제한됩니다. 모든 논문은 SIAM SODA 매크로를 사용하여 작성해야 합니다. 저자들은 2015 년 2 월 2 일 오후 11:59(MDT) 까지 논문을 PDF 형식으로 전자 제출 사이트 에 제출해야 합니다. 현재 원고 접수가 시작되었습니다.

주요 일정

• 논문 제출 마감일: 2015 년 2 월 2 일
• 심사 결과 통보일: 2015 년 2 월 10 일
• 최종 개정판 (Camera Ready) 제출 마감일: 2015 년 2 월 16 일
• 워크숍 개최일: 2015 년 5 월 2 일

발표자들의 슬라이드는 이제 프로그램 페이지 에서 확인하실 수 있습니다.

초청 연사

Chih-Jen Lin, 국립대만대학교

제목: 추천 시스템을 위한 MF(행렬 분해) 및 FM(분해 머신)
초록: MF(행렬 분해) 와 FM(분해 머신) 은 모두 추천 시스템에 효과적인 방법입니다. 이번 강연의 전반부에서는 사용자로부터 아이템에 대한 평점 정보만이 주어졌다고 가정하는 MF 에 주목하겠습니다. 공유 메모리 시스템을 위한 병렬 패키지 LIBMF 를 개발한 최근 노력을 논의할 예정입니다. 현재 확률적 경사 (SG) 방법이 MF 의 최적화 문제를 해결하는 가장 인기 있는 알고리즘 중 하나입니다. 그러나 SG 는 순차적 접근 방식이기 때문에 병렬화가 어렵습니다. 저희는 캐시 미스율을 신중하게 줄이고 스레드의 부하 균형을 조정하여 효과적인 병렬 SG 구현을 달성했습니다. 또한 SG 의 성능이 학습률 설정에 크게 의존하므로, 빠르고 안정적인 수렴을 달성하기 위한 몇 가지 적응형 접근법을 개발했습니다. 실험 결과, 저희 구현 방식은 기존에 사용 가능한 병렬 행렬 분해 패키지들보다 우수한 성능을 보였습니다.

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

강연 후반부에서는 사용자 또는 아이템 특성이 추가로 제공되는 상황을 고려하겠습니다. 이러한 상황에서 FM(분해 머신) 은 유용한 모델입니다. 최근 FM 의 확장 버전인 FFM(Field-aware FM) 이 계산 광고 분야의 CTR 예측에 매우 효과적임이 입증되었습니다. 저희 연구팀 멤버들이 CTR 예측 관련 두 차례의 Kaggle 대회에서 우승한 접근법을 논의할 예정입니다. 본 연구 결과는 일반 공개용 패키지 LIBFFM 으로 출시되었습니다.

약력: Chih-Jen Lin 교수는 현재 국립대만대학교 컴퓨터공학과 석좌교수입니다. 1993 년 국립대만대학교에서 학사 학위를, 1998 년 미시간 대학교에서 박사 학위를 취득했습니다. 주요 연구 분야는 머신러닝, 데이터 마이닝, 수치 최적화이며, 특히 데이터 분류를 위한 서포트 벡터 머신 (SVM) 연구로 잘 알려져 있습니다. 그가 개발한 소프트웨어 LIBSVM 은 가장 널리 사용되고 인용되는 SVM 패키지 중 하나입니다. 그의 연구 업적으로 ACM KDD 2010 및 ACM RecSys 2013 최우수 논문상을 포함한 다수의 상을 수상했으며, 머신러닝 알고리즘 및 소프트웨어 설계에 기여한 공로로 IEEE 펠로우, AAAI 펠로우, ACM 특별 과학자로 선정되었습니다. 그에 대한 자세한 정보는 여기 에서 확인하실 수 있습니다.

George Karypis, 미네소타 대학교

제목: 추후 공지 (TBA)
초록: 추후 공지 (TBA)
약력: George Karypis 교수는 현재 미네소타 주 미니애폴리스 및 세인트폴 twin cities 에 위치한 미네소타 대학교 컴퓨터공학과의 교수이며, 동 대학 디지털 기술 센터 (DTC) 소속입니다. 그의 연구 관심사는 생정보학, 화학정보학, 데이터 마이닝, 고성능 컴퓨팅 분야에 집중되어 있으며, 때때로 정보 검색, 협업 필터링, VLSI CAD 를 위한 전자 설계 자동화 분야의 다양한 문제도 다루고 있습니다. 이러한 영역 내에서 그의 연구는 중요하거나 새롭게 대두되는 문제를 해결하기 위한 신규 알고리즘 개발과 이러한 알고리즘을 구현하는 실용적인 소프트웨어 도구 개발에 중점을 두고 있습니다. 그의 연구 결과는 다양한 컨퍼런스에서 발표되었으며, 주요 동료 심사 학술지 및 엄선된 컨퍼런스 논문집에 게재되었습니다.

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

Martin Ester, 사이먼 프레이저 대학교

제목: 소셜 미디어 추천을 위한 확률적 그래픽 모델
초록: 본 강연에서는 소셜 미디어의 두 가지 핵심 요소인 소셜 네트워크와 위치 기반 서비스를 면밀히 살펴보고, 효과적인 아이템 및 위치 추천을 위해 이들의 속성을 어떻게 모델링할 수 있는지 조사하겠습니다. 사회과학 분야에서는 사회적 영향 (친구들은 서로 점점 더 유사해지는 경향이 있음) 과 동질성 혹은 선택 (사람들은 비슷한 사람들과 친구가 되는 경향이 있음) 효과가 소셜 네트워크 역학의 주요 동인으로 규명된 바 있습니다. 강연 전반부에서는 소셜 네트워크 내 아이템 추천 정확도를 향상시키기 위해 이러한 효과를 활용하는 방법을 논의할 것입니다. 강연 후반부에서는 소셜 미디어의 또 다른 핵심 측면인 위치 기반 소셜 네트워크 (LBSN) 를 탐구하겠습니다. LBSN 에서 중요한 효과는 지리적 영향으로, 가까운 위치일수록 먼 위치보다 더 유사한 특성을 가진다는 것을 의미합니다. 위치 추천은 전통적인 아이템 추천과 본질적으로 다르는데, 이는 영화와 같은 아이템을 수용하는 것보다 실제 물리적 위치에 체크인하는 것이 사용자로부터 더 큰 몰입을 요구하기 때문입니다. 저희는 위치 추천을 위해 이러한 속성을 포착하는 확률적 그래픽 모델을 제시할 것입니다. 본 강연은 관련 연구를 논의하되 주로 저희 팀의 연구 작업에 초점을 맞출 것입니다. 결론 부분에서는 소셜 미디어 추천이라는 매력적인 분야에서 향후 연구가 진행될 흥미로운 방향들을 개략적으로 소개하겠습니다.

약력: Martin Ester 박사는 컴퓨터공학 분야에서 박사 학위를 취득했습니다.

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.