MLRec 2016

제 16 회 SIAM 국제 데이터 마이닝 컨퍼런스 (SDM 2016) 와 병행 개최
2016 년 5 월 7 일 토요일, 미국 플로리다주 마이애미

지난 MLRec 행사의 성공에 힘입어, 이번 두 번째 에디션에서는 추천 시스템을 개선하기 위해 새로운 기계 학습 및 데이터 마이닝 방법론과 기존 방법론을 적용하는 데 중점을 둡니다. NIPS 나 ICML 과 같은 많은 유명 컨퍼런스들이 기계 학습 알고리즘의 이론적 속성 연구에 주력하는 반면, 최근에 설립된 ACM RecSys 컨퍼스는 추천 시스템의 설계 및 구현과 관련된 다양한 측면에 초점을 맞추고 있습니다. 우리는 이 두 영역 사이에 간극이 존재한다고 믿으며, 본 워크숍은 기계 학습 및 데이터 마이닝 알고리즘의 최신 발전 성과를 추천 시스템 개선으로 연결하는 가교 역할을 하고자 합니다.

많은 추천 접근법이 데이터 마이닝 및 기계 학습 알고리즘을 기반으로 구축되어 그 근간을 깊이 두고 있는 만큼, 양쪽 커뮤니티의 연구자들이 다음과 같은 두 가지 핵심 과제에 공동으로取り組む 것이 시급합니다: 1) 추천 시스템의 과제를 해결하는 데 활용할 수 있는 최근 개발된 기계 학습 및 데이터 마이닝 기술은 무엇인가? 2) 추천 시스템에서 직면한 과제를 바탕으로 기계 학습 및 데이터 마이닝 커뮤니티가 나아가야 할 실용적인 연구 방향은 무엇인가?

관심 주제

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

• 추천 시스템을 위한 새로운 기계 학습 알고리즘: 예를 들어, 새로운 콘텐츠/상황 인식 추천 알고리즘, 콜드 스타트 항목을 처리하는 새로운 행렬 분해 알고리즘, 추천 시스템을 위한 텐서 기반 접근법 등.
• 기존 기계 학습 알고리즘을 적용하는 새로운 접근법: 예를 들어, 추천 시스템을 위한 쌍선형 모델, (비볼록) 희소 학습, 메트릭 학습, 저랭크 근사/PCA/SVD, 신경망 및 딥러닝 적용 등.
• 추천 시스템 개선을 위한 새로운 최적화 알고리즘 및 분석: 예를 들어, 병렬/분산 최적화 기법 및 효율적인 확률적 경사 하강법 등.
• 추천 시스템의 산업적 실무 및 구현 사례: 예를 들어, 특징 공학, 모델 앙상블, 대규모 추천 시스템 구현에서 얻은 교훈 등.
• 보안 및 프라이버시를 고려한 추천을 위한 기계 학습 방법, 사용자의 상호작용 및 참여를 강조한 사용자 중심 추천, 탐색 - 활용 (Explore-Exploit) 접근법, 추천을 위한 멀티암드 밴딧 등.

제출 안내

본 워크숍에서는 장편 논문과 단편 (데모/포스터) 논문을 접수합니다. 본 워크숍에 제출되는 단편 논문은 4 페이지로, 장편 논문은 8 페이지로 제한됩니다. 모든 논문은 SIAM SODA 매크로를 사용하여 포맷팅해야 합니다. 저자들은 2016 년 2 월 1 일 오후 11:59(MDT) 까지 논문을 PDF 형식으로 전자 제출 사이트에 업로드해야 합니다. 현재 사이트에서 원고 접수가 시작되었습니다.

주요 일정

• 논문 제출 마감일: 2016 년 2 월 1 일
• 심사 결과 통보일: 2016 년 2 월 10 일
• 카메라 레디 논문 제출 마감일: 2016 년 2 월 15 일
• 워크숍 개최일: 2016 년 5 월 7 일 토요일

시스템 문제로 인해 심사위원들이 제시간에 심사를 완료하지 못하게 되었습니다. 이에 따라 결과 통보일과 카메라 레디 제출 마감일을 연기하였습니다. 너른 양해 부탁드립니다.

Related: DataCamp — Browser-based, hands-on ML and data-science tracks you can start in 10 minutes.

—> 발표자들의 슬라이드가 이제 프로그램 에서 확인 가능합니다.

초청 연사

Tina Eliassi-Rad , 럿거스 대학교 (Rutgers University)

제목: 추천 시스템에서의 소셜 네트워크 활용
초록: 소셜 네트워크 정보를 추천 시스템에 통합하는 문제를 고려해 봅시다. 직관적으로 볼 때 이 문제를 해결하면 추천기의 성능이 향상되어야 합니다. 본 강연에서는 이와 관련된 도전 과제를 논의하고, 현재의 최첨단 기술을 소개하며, 이 문제를 해결하기 위한 유망한 방향성을 제시할 것입니다.
약력: Tina Eliassi-Rad 는 럿거스 대학교 컴퓨터공학과 부교수입니다. 학계에 합류하기 전에는 로렌스 리버모어 국립연구소 (Lawrence Livermore National Laboratory) 에서 기술 직원 및 수석 연구원으로 재직했습니다. 위스콘신 - 매디슨 대학교 (University of Wisconsin-Madison) 에서 컴퓨터 과학 박사 학위 (부전공: 수리 통계학) 를 취득했습니다. 그녀의 현재 연구는 그래프 마이닝, 네트워크 과학, 계산 사회과학의 교차점에 위치해 있습니다. 데이터 마이닝 및 기계 학습 분야에서 Tina 의 연구는 월드 와이드 웹, 텍스트 코퍼스, 대규모 과학 시뮬레이션 데이터, 복잡 네트워크, 사기 탐지, 사이버 상황 인식 등에 적용되어 왔습니다. 그녀는 60 편 이상의 동료 검토 논문을 게재했으며 (ICDM’09 우수 논문 차석상 및 CIKM’12 최우수 학제간 논문상 수상 포함), 120 회 이상의 초청 강연을 진행했습니다. 그녀의 알고리즘은 정부 및 산업계 (예: IBM System G Graph Analytics) 에서 사용하는 시스템과 오픈소스 소프트웨어 (예: Stanford Network Analysis Project) 에 통합되었습니다. 2010 년에는 미국 에너지부 (US DOE) 과학국으로부터 우수 멘토상을 수상했습니다. 자세한 내용은 여기를 방문하세요.

Julian McAuley , 캘리포니아 대학교 샌디에이고 캠퍼스 (University of California, San Diego)

제목: 리뷰를 활용한 더 풍부한 의견 모델 구축
초록: 온라인에서 제품과 구매를 고려할 때 온라인 리뷰는 종종 우리가最初に 참조하는 자료입니다. 그러나 방대한 양의 리뷰 (그중 많은 부분에 동의하지 않을 수도 있음) 를 탐색하는 것은 번거로운 작업이며, 특히 제품의 특정 니치 (niche) 측면에 관심이 있을 때는 더욱 그렇습니다. 이는 더 풍부하고 개인화된 추천 시스템을 구축하기 위해 리뷰의 복잡하고 독특한 의미를 포착할 수 있는 모델을 구축해야 할 필요성을 시사합니다. 본 강연에서는 다음과 같은 세 가지 방향을 논의할 예정입니다. 첫째, 사람들의 의견 차원 (또는 측면) 을 더 잘 이해하기 위해 리뷰를 어떻게 활용할 수 있을까요? 둘째, 주관적이거나 개인화된 응답이 필요한 표적 질문에 답하기 위해 리뷰를 어떻게 사용할 수 있을까요? 셋째, 사용자가 아직 보지 못한 제품에 대해서도 리뷰어가 무엇을 말할지 예측할 수 있도록 리뷰 자체를 어떻게 종합 (synthesize) 할 수 있을까요?
약력: Julian McAuley 의 연구는 소셜 네트워크와 온라인 커뮤니티 내 의견 및 행동의 언어적, 시간적, 시각적 차원에 중점을 둡니다. 여기에는 사람들의 의견 측면 이해, 사람들이 고급 음식과 맥주에 대해”취향”을 형성하는 과정, 심지어 의류 아이템을 호환되게 만드는 시각적 차원 이해 등이 포함됩니다. 그는 2014 년부터 UC 샌디에이고에서 조교수로 재직 중이며, 호주 국립대학교 (Australian National University) 에서 박사 학위를 받았습니다.

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

Hanghang Tong , 애리조나 주립대학교 (Arizona State University)

제목: 빅 네트워크에서의 최적 팀 구성을 향해
초록: 노벨상 수상자 허버트 사이먼 (Herbert Simon) 은 그의 세계적으로 유명한 저서『인공과학 (The Science of the Artificial)』에서 인간의 복잡한 행동을 결정하는 것은 개별 인간의 복잡성이 아니라 환경의 복잡성이라고 지적했습니다. 네트워크 과학의 부상과 빅데이터의 출현은 사람들이 서로 상호작용하고 협력하여 집단적으로 복잡한 과제를 수행하는 새로운 환경/맥락을 제공합니다. 본 강연에서는 빅 네트워크 맥락에서 팀 성과를 분석한 최근 연구 노력을 요약하여 발표합니다. 첫째 (특성 규명), 어떤 종류의 네트워크 지표/특성이 팀 성과에 얼마나 중요한지에 대한 발견 사항을 제시합니다. 둘째 (예측), 네트워크 구조를 기반으로 초기 단계에서 주어진 팀의 성과를 예측하는 모델을 소개합니다. 마지막으로 (향상), 기존 팀의 성과를 향상시키는 도구와 알고리즘을 제시합니다.
약력: Hanghang Tong 은 현재 애리조나 주립대학교 컴퓨팅, 정보학 및 의사결정 시스템 공학부 (CIDSE) 조교수입니다. 그 이전에는 뉴욕 시립대학교 (City University of New York) 시티 칼리지 컴퓨터공학과 조교수, IBM T.J. 왓슨 연구센터 연구원, 카네기 멜런 대학교 (Carnegie Mellon University) 박사후 연구원으로 재직했습니다. 2008 년과 2009 년에 카네기 멜런 대학교에서 머신러닝을 전공하여 석사 및 박사 학위를 취득했습니다. 그의 연구 관심사는 그래프 및 멀티미디어를 위한 대규모 데이터 마이닝입니다. ‘시간을 견딘 논문상 (test of time award)‘(ICDM

P.S. A few readers have asked which mooc / specialization we actually reach for — it's Coursera (DeepLearning.AI & university specializations); take a look here if you want the current details.