MLRec 2016

I tilknytning til den 16. SIAM International Conference on Data Mining (SDM 2016) Lørdag 7. mai 2016, Miami, Florida, USA Etter suksessen med forrige utgave av MLRec , fokuserer denne andre utgaven på å anvende både nye og eksisterende metoder innen maskinlæring og datamining for å forbedre anbefalingssystemer.

Det finnes mange etablerte konferanser, som NIPS og ICML, som fokuserer på studiet av teoretiske egenskaper ved maskinlæringsalgoritmer. På den annen side fokuserer den nylig etablerte konferansen ACM RecSys på ulike aspekter ved design og implementering av anbefalingssystemer. Vi mener det finnes et gap mellom disse to ytterpunktene, og denne workshopen har som mål å bygge bro mellom de siste fremskrittene innen algoritmer for maskinlæring og datamining og forbedringen av anbefalingssystemer. Siden mange tilnærminger til anbefaling er bygget på algoritmer for datamining og maskinlæring, er disse tilnærmingene dypt forankret i deres grunnlag.

Derfor er det et presserende behov for at forskere fra begge miljøer samarbeider om: 1) hvilke nylig utviklede teknikker innen maskinlæring og datamining som kan utnyttes for å håndtere utfordringer i anbefalingssystemer, og 2) hvilke praktiske forskningsretninger innen maskinlæring og datamining som oppstår basert på utfordringer i anbefalingssystemer. Interessetemaer Vi oppfordrer til innsending av bidrag innen en rekke temaer, inkludert men ikke begrenset til: Nye maskinlæringsalgoritmer for anbefalingssystemer, f.eks. nye innholds- og kontekstbevisste anbefalingsalgoritmer, nye algoritmer for matrisefaktorisering som håndterer elementer med kald start (cold-start), tensorbaserte tilnærminger for anbefalingssystemer, osv.

Nye tilnærminger for anvendelse av eksisterende maskinlæringsalgoritmer, f.eks. bruk av bilineære modeller, (ikke-konveks) sparsoptimalisering, metrisk læring, lavrang-approksimasjon/PCA/SVD, nevrale nettverk og dyp læring, for anbefalingssystemer. Nye optimaliseringsalgoritmer og analyser for å forbedre anbefalingssystemer, f.eks. parallell/distribuert optimaliseringsteknikk og effektiv stokastisk gradientnedstigning. Industriell praksis og implementering av anbefalingssystemer, f.eks. funksjonsutforming (feature engineering), modellensemble og lærdommer fra storskala-implementeringer av anbefalingssystemer.

Maskinlæringsmetoder for sikkerhets- og personvernbevisste anbefalinger, brukercentrerte anbefalinger med vekt på brukerinteraksjon og engasjement, Explore-Exploit-tilnærminger, flerarmede banditter for anbefaling, osv. Instruksjoner for innsending Workshopen aksepterer både lange artikler og korte artikler (demo/plakat).

Korte artikler som sendes inn til denne workshopen bør være begrenset til 4 sider, mens lange artikler bør være begrenset til 8 sider. Alle artikler skal formateres ved hjelp av SIAM SODA-makroen . Forfatterne må sende inn sine artikler elektronisk i PDF-format til innsendingsstedet innen kl. 23:59 MDT 1. februar 2016.

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

Stedet har begynt å akseptere manuskripter. Viktige datoer Innsending av artikler: 1. februar 2016 Varssel til forfattere: 10. februar 2016 Frist for camera ready-artikler: 15. februar 2016 Workshop: Lørdag 7. mai 2016 På grunn av et systemproblem kunne anmelderne ikke levere sine anmeldelser i tide.

Vi har derfor utsatt datoen for varsling og fristen for camera ready-versjoner. Takk for forståelsen. —> Presentasjoner fra foredragsholderne er nå tilgjengelige i Programmet . —> Inviterte foredragsholdere Tina Eliassi-Rad , Rutgers University Tittel: Bruk av sosiale nettverk i anbefalingssystemer Sammendrag: Vurder problemstillingen knyttet til å inkorporere informasjon fra sosiale nettverk i et anbefalingssystem. Intuitivt bør løsning av dette problemet forbedre ytelsen til anbefalingssystemet.

I dette foredraget vil jeg diskutere utfordringene, presentere dagens state-of-the-art og skissere noen lovende retninger for denne problemstillingen. Biografi: Tina Eliassi-Rad er førsteamanuensis i informatikk ved Rutgers University. Før hun gikk over til akademiet, var hun teknisk medarbeider og hovedansvarlig forsker ved Lawrence Livermore National Laboratory.

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

Tina tok sin doktorgrad i informatikk (med biemne i matematisk statistikk) ved University of Wisconsin-Madison. Hennes nåværende forskning ligger i skjæringspunktet mellom grafmining, nettverksvitenskap og beregningsmessig sosialvitenskap. Innen datamining og maskinlæring har Tinas forskning blitt anvendt på World-Wide Web, tekstsamlinger, storskala vitenskapelige simuleringsdata, komplekse nettverk, svindeldeteksjon og cyber situasjonsbevissthet.

Hun har publisert over 60 fagfellevurderte artikler (inkludert en andreplass for beste artikkel ved ICDM’09 og en pris for beste tverrfaglige artikkel ved CIKM’12) og har holdt over 120 inviterte foredrag. Hennes algoritmer er blitt integrert i systemer brukt av myndigheter og industri (f.eks.

IBM System G Graph Analytics) samt i åpen kildekode-programvare (f.eks. Stanford Network Analysis Project). I 2010 mottok hun en Outstanding Mentor Award fra US DOE Office of Science. For mer informasjon, besøk her .

Julian McAuley , University of California, San Diego Tittel: Utnytte anmeldelser for å bygge rikere modeller av meninger Sammendrag: Online anmeldelser er ofte vårt første stopp når vi vurderer produkter og kjøp på nettet. Likevel er det krevende å navigere i store mengder anmeldelser (hvorav mange vi kanskje er uenige i), spesielt når vi er interessert i noen nisjeaspekt ved et produkt.

Dette tyder på et behov for å bygge modeller som er i stand til å fange opp den komplekse og særegne semantikken i anmeldelser, for dermed å bygge rikere og mer personlige anbefalingssystemer. I dette foredraget vil jeg diskutere tre slike retninger: For det første, hvordan kan anmeldelser utnyttes til bedre å forstå dimensjonene (eller fasettene) i folks meninger? For det andre, hvordan kan anmeldelser brukes til å besvare målrettede spørsmål som kan være subjektive eller kreve personlige svar?

Og for det tredje, hvordan kan selve anmeldelsene syntetiseres slik at man kan forutsi hva en anmelder ville sagt, selv for produkter de ennå ikke har sett? Biografi: Julian McAuleys forskning fokuserer på de språklige, temporale og visuelle dimensjonene ved meninger og atferd i sosiale nettverk og online fellesskap. Dette inkluderer forståelse av fasettene i folks meninger, prosessene hvorved folk «tilegner seg smak» for gourmetmat og øl, eller til og med de visuelle dimensjonene som gjør plagg kompatible.

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

Han har vært førsteamanuensis ved UC San Diego siden 2014 og mottok sin doktorgrad fra Australian National University. Hanghang Tong , Arizona State University Tittel: Mot optimale team i store nettverk Sammendrag: I sin verdenskjente bok “The Science of the Artificial” påpekte nobelprisvinner Herbert Simon at det er miljøets kompleksitet, snarere enn kompleksiteten hos enkeltindividet, som bestemmer menneskers komplekse atferd. Fremveksten av nettverksvitenskap og fremkomsten av big data gir et nytt miljø/en ny kontekst der mennesker interagerer og samarbeider for kollektivt å utføre komplekse oppgaver.

I dette foredraget vil vi oppsummere våre nyeste innsatser knyttet til analyse av teamytelse i konteksten av store nettverk. Først (karakterisering): Vi vil presentere våre funn om hvilke typer nettverksmål/-egenskaper som er avgjørende for teamytelse, og i hvilken grad.

Dernest (prediksjon): Vi vil presentere prediktive modeller for å forutsi ytelsen til et gitt team på et tidlig stadium, basert på dets nettverksstruktur. Til slutt (forbedring): Vi vil presentere verktøy og algoritmer for å forbedre ytelsen til et eksisterende team. Biografi: Hanghang Tong er for tiden førsteamanuensis ved School of Computing, Informatics, and Decision Systems Engineering (CIDSE), Arizona State University. Før dette var han førsteamanuensis ved Institutt for informatikk, City College, City University of New York, forskningsmedarbeider ved IBM T.J.

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

Watson Research Center og postdoktor ved Carnegie Mellon University. Han tok sin mastergrad og doktorgrad ved Carnegie Mellon University i 2008 og 2009, begge med hovedvekt på maskinlæring.

Hans forskningsinteresser er storskala datamining for grafer og multimedia. Han har mottatt flere priser, inkludert en ‘test of time’-pris (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.