MLRec 2015
w ramach 15. Międzynarodowej Konferencji SIAM nt. Eksploracji Danych (SDM 2015) 2 maja 2015 r., Vancouver, Kolumbia Brytyjska, Kanada Materiały pokonferencyjne MLRec’15 są już dostępne do pobrania .
Warsztat ten koncentruje się na zastosowaniu zarówno nowych, jak i istniejących metod uczenia maszynowego oraz eksploracji danych w celu ulepszania systemów rekomendacyjnych. Istnieje wiele uznanych konferencji, takich jak NIPS i ICML, które skupiają się na badaniu teoretycznych właściwości algorytmów uczenia maszynowego. Z drugiej strony, niedawno powstała konferencja ACM RecSys koncentruje się na różnych aspektach projektowania i implementacji systemów rekomendacyjnych. Wierzymy, że istnieje luka między tymi dwoma obszarami, a celem tego warsztatu jest połączenie najnowszych osiągnięć w dziedzinie algorytmów uczenia maszynowego i eksploracji danych z pracą nad ulepszaniem systemów rekomendacyjnych.
Ponieważ wiele podejść rekomendacyjnych opiera się na algorytmach eksploracji danych i uczenia maszynowego, są one głęboko zakorzenione w swoich fundamentach. W związku z tym istnieje pilna potrzeba, aby badacze z obu środowisk wspólnie pracowali nad: 1) określeniem, jakie nowo opracowane techniki uczenia maszynowego i eksploracji danych można wykorzystać do rozwiązania wyzwań w systemach rekomendacyjnych, oraz 2) wskazaniem, jakie praktyczne kierunki badań w społeczności zajmującej się uczeniem maszynowym i eksploracją danych wynikają z wyzwań związanych z systemami rekomendacyjnymi.
Tematyka zainteresowań Zachęcamy do nadsyłania prac dotyczących różnorodnych tematów,包括但不限于: Nowe algorytmy uczenia maszynowego dla systemów rekomendacyjnych, np. nowe algorytmy rekomendacyjne uwzględniające treść/kontekst, nowe algorytmy faktoryzacji macierzy obsługujące elementy z problemem zimnego startu, podejścia tensorowe dla systemów rekomendacyjnych itp. Nowe podejścia do stosowania istniejących algorytmów uczenia maszynowego, np. zastosowanie modeli biliniowych, (nie-wypukłej) nauki rzadkiej, nauki metryk, aproksymacji niskiego rzędu/PCA/SVD, sieci neuronowych i głębokiego uczenia w systemach rekomendacyjnych.
Nowe algorytmy optymalizacyjne i analizy mające na celu ulepszenie systemów rekomendacyjnych, np. techniki optymalizacji równoległej/rozproszonej oraz efektywne stochastyczne spadki gradientu. Praktyki przemysłowe i implementacje systemów rekomendacyjnych, np. inżynieria cech, ensemble modeli oraz wnioski płynące z implementacji systemów rekomendacyjnych na dużą skalę.
Metody uczenia maszynowego zapewniające bezpieczeństwo i prywatność w rekomendacjach, rekomendacje zorientowane na użytkownika z naciskiem na interakcję i zaangażowanie użytkowników, podejście Explore-Exploit, bandyty wieloramienni w rekomendacjach itp. Instrukcje dotyczące zgłoszeń Warsztat przyjmuje prace długie oraz krótkie (prezentacje/demo/plakaty). Prace krótkie nadsyłane na ten warsztat powinny mieć maksymalnie 4 strony, natomiast prace długie – maksymalnie 8 stron. Wszystkie prace muszą być sformatowane przy użyciu makr SIAM SODA .
Related: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Autorzy są zobowiązani do elektronicznego nadesłania swoich prac w formacie PDF za pośrednictwem strony zgłoszeniowej do godziny 23:59 MDT, 2 lutego 2015 r. Strona rozpoczęła już przyjmowanie manuskryptów.
Ważne daty Termin nadsyłania prac: 2 lutego 2015 r. Powiadomienie autorów: 10 lutego 2015 r. Termin nadesłania wersji ostatecznej (camera-ready): 16 lutego 2015 r. Warsztat: 2 maja 2015 r.
Prezentacje prelegentów są już dostępne w programie . Prelegenci zaproszeni Chih-Jen Lin , Narodowy Uniwersytet Tajwański Tytuł: MF (Faktoryzacja Macierzy) i FM (Maszyny Faktoryzujące) w systemach rekomendacyjnych Streszczenie: MF (Faktoryzacja Macierzy) i FM (Maszyny Faktoryzujące) to skuteczne metody stosowane w systemach rekomendacyjnych. W pierwszej części wystąpienia skupimy się na MF, która zakłada, że jedynymi dostępnymi informacjami są oceny użytkowników dotyczące elementów.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
Omówimy nasze niedawne wysiłki związane z opracowaniem pakietu równoległego LIBMF przeznaczonego dla systemów z pamięcią współdzieloną. Obecnie metoda stochastycznego gradientu (SG) jest jednym z najpopularniejszych algorytmów rozwiązywania problemu optymalizacyjnego dla MF. Jednak jako podejście sekwencyjne, SG trudno zrównoleglić.
Starannie zredukowaliśmy wskaźnik chybienia pamięci podręcznej (cache-miss) i rozwiązaliśmy problem równoważenia obciążenia wątków, aby uzyskać efektywną równoległą implementację SG. Ponadto, ponieważ wydajność SG сильно zależy od ustawienia współczynników uczenia, opracowaliśmy pewne adaptacyjne podejścia umożliwiające szybką i stabilną zbieżność.
Eksperymenty pokazują, że nasza implementacja przewyższa dostępne pakiety do równoległej faktoryzacji macierzy. W drugiej części wystąpienia rozważymy sytuacje, w których dostępne są również pewne cechy użytkowników lub elementów. FM (Maszyny Faktoryzujące) to użyteczny model w takich przypadkach. Niedawno rozszerzenie FM o nazwie FFM (Field-aware FM) wykazało bardzo wysoką skuteczność w prognozowaniu CTR w reklamie obliczeniowej.
Omówimy zwycięskie podejścia członków naszej grupy w dwóch konkursach Kaggle dotyczących prognozowania CTR. Nasza praca została udostępniona w innym pakiecie LIBFFM do publicznego użytku.
Biogram: Chih-Jen Lin jest obecnie wyróżnionym profesorem w Zakładzie Informatyki na Narodowym Uniwersytecie Tajwańskim. Uzyskał tytuł licencjata na Narodowym Uniwersytecie Tajwańskim w 1993 roku oraz doktorat na Uniwersytecie Michigan w 1998 roku. Jego główne obszary badawcze obejmują uczenie maszynowe, eksplorację danych i optymalizację numeryczną. Jest najlepiej znany ze swojej pracy nad maszynami wektorów nośnych (SVM) stosowanymi do klasyfikacji danych.
Jego oprogramowanie LIBSVM jest jednym z najczęściej używanych i cytowanych pakietów SVM. Za swoje badania otrzymał wiele nagród, w tym nagrody za najlepsze prace na konferencjach ACM KDD 2010 i ACM RecSys 2013. Jest członkiem IEEE (IEEE Fellow), członkiem AAAI (AAAI Fellow) oraz wyróżnionym naukowcem ACM (ACM Distinguished Scientist) za swój wkład w rozwój algorytmów uczenia maszynowego i projektowania oprogramowania.
Więcej informacji na jego temat można znaleźć tutaj . George Karypis , Uniwersytet Minnesoty Tytuł: TBA Streszczenie: TBA Biogram: George Karypis jest obecnie profesorem w Zakładzie Informatyki i Inżynierii na Uniwersytecie Minnesoty w bliźniaczych miastach Minneapolis i Saint Paul oraz członkiem Centrum Technologii Cyfrowych (DTC) na Uniwersytecie Minnesoty. Jego zainteresowania badawcze koncentrują się w obszarach bioinformatyki, chemoinformatyki, eksploracji danych i obliczeń wysokiej wydajności; od czasu do czasu zajmuje się również różnymi problemami z zakresu wyszukiwania informacji, filtrowania kooperatywnego oraz automatyzacji projektowania układów scalonych (VLSI CAD).
W ramach tych obszarów jego badania skupiają się na opracowywaniu nowych algorytmów rozwiązujących ważne istniejące i/lub pojawiające się problemy oraz na tworzeniu praktycznych narzędzi programowych implementujących niektóre z tych algorytmów. Wyniki jego badań były prezentowane na różnych konferencjach i publikowane w wiodących recenzowanych czasopismach oraz highly selektywnych materiałach pokonferencyjnych —> Martin Ester , Uniwersytet Simona Frasera Tytuł: Probabilistyczne modele graficzne dla rekomendacji w mediach społecznościowych Streszczenie: W tym wystąpieniu przyjrzymy się bliżej dwóm kluczowym składnikom mediów społecznościowych – sieciom społecznościowym i usługom opartym na lokalizacji – i zbadamy, jak modelować ich właściwości w celu efektywnej rekomendacji elementów i lokalizacji.
W naukach społecznych wpływ społeczny (przyjaciele mają tendencję do stawania się bardziej podobnymi do siebie) oraz homofilia lub selekcja (ludzie mają tendencję do zawierania przyjaźni z podobnymi do siebie osobami) zostały zidentyfikowane jako czynniki napędzające dynamikę sieci społecznościowych. W pierwszej części wystąpienia omówimy metody wykorzystujące te efekty w celu poprawy dokładności rekomendacji elementów w sieciach społecznościowych. W drugiej głównej części wystąpienia zbadamy kolejny kluczowy aspekt mediów społecznościowych, czyli społecznościowe sieci oparte na lokalizacji (LBSN).
Kluczowym efektem w LBSN jest wpływ geograficzny, co oznacza, że pobliskie lokalizacje mają bardziej podobne cechy niż lokalizacje oddalone. Rekomendacja lokalizacji różni się ze swej natury od tradycyjnej rekomendacji elementów, ponieważ zameldowanie się (check-in) w fizycznej lokalizacji wymaga od użytkownika większego zaangażowania niż adoptowanie elementu, takiego jak film.
Przedstawimy probabilistyczne modele graficzne pozwalające uchwycić te właściwości w kontekście rekomendacji lokalizacji. Wystąpienie omówi powiązane badania, ze szczególnym uwzględnieniem naszych własnych prac. W podsumowaniu nakreślimy interesujące kierunki przyszłych badań w fascynującej dziedzinie rekomendacji w mediach społecznościowych. Biogram: Martin Ester uzyskał doktorat z informatyki w
P.S. A few readers have asked which interactive learning platform we actually reach for — it's DataCamp; if you want the current details.
Learn ML by doing — start a free DataCamp chapter today
Browser-based, hands-on ML and data-science tracks you can start in 10 minutes