MLRec 2016
w ramach 16. Międzynarodowej Konferencji SIAM ds. Eksploracji Danych (SDM 2016) Sobota, 7 maja 2016 r., Miami, Floryda, USA W ślad za sukcesem poprzedniej edycji MLRec, ta druga edycja 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 wdrażania systemów rekomendacyjnych. Wierzymy, że istnieje luka między tymi dwoma obszarami, a celem tego warsztatu jest mostowanie najnowszych osiągnięć w dziedzinie algorytmów uczenia maszynowego i eksploracji danych z potrzebą ulepszania systemów rekomendacyjnych.
Ponieważ wiele podejść rekomendacyjnych opiera się na algorytmach eksploracji danych i uczenia maszynowego, są one głęboko zakorzenione w swoich fundamentach. Jako takie, istnieje pilna potrzeba, aby badacze z obu społeczności wspólnie pracowali nad: 1) jakie są najnowsze opracowane techniki uczenia maszynowego i eksploracji danych, które można wykorzystać do rozwiązania wyzwań w systemach rekomendacyjnych, oraz 2) jakie są praktyczne kierunki badań w społeczności uczenia maszynowego i eksploracji danych wynikające z wyzwań w systemach rekomendacyjnych.
Tematyka Zapraszamy do składania prac na różne tematy, w tym między innymi: 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 dwuliniowych, (niewypukłej) nauki rzadkiej, nauki metryk, aproksymacji niskorzędowej/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. Praktyka przemysłowa i implementacje systemów rekomendacyjnych, np. inżynieria cech, zespoły modeli oraz wnioski płynące z wdrożeń systemów rekomendacyjnych na dużą skalę.
Metody uczenia maszynowego dla rekomendacji uwzględniających bezpieczeństwo i prywatność, rekomendacje skoncentrowane na użytkowniku z naciskiem na interakcję i zaangażowanie użytkowników, podejście Explore-Exploit, wieloramienni bandyci dla rekomendacji itp. Instrukcje dotyczące zgłaszania prac Warsztat przyjmuje prace długie oraz krótkie (prezentacje/demo/plakatowe). Prace krótkie zgłaszane na ten warsztat powinny być ograniczone do 4 stron, natomiast prace długie do 8 stron. Wszystkie prace powinny 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 przesłania swoich prac w formacie PDF na stronę zgłoszeń do godziny 23:59 czasu MDT, 1 lutego 2016 r. Strona zaczęła już przyjmować manuskrypty.
Ważne daty Termin zgłaszania prac: 1 lutego 2016 r. Powiadomienie autorów: 10 lutego 2016 r. Termin nadesłania wersji ostatecznej (camera-ready): 15 lutego 2016 r. Warsztat: sobota, 7 maja 2016 r.
Ze względu na problemy systemowe recenzenci nie byli w stanie przesłać swoich recenzji na czas. Przenieśliśmy termin powiadomienia oraz termin nadesłania wersji ostatecznej. Dziękujemy za zrozumienie. —> Slajdy od prelegentów są już dostępne w Programie. —> Prelegenci zaproszeni Tina Eliassi-Rad, Rutgers University Tytuł: Wykorzystanie sieci społecznościowych w systemach rekomendacyjnych Streszczenie: Rozważmy problem incorporacji informacji z sieci społecznościowych do systemu rekomendacyjnego.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
Intuicyjnie rozwiązanie tego problemu powinno poprawić wydajność systemu rekomendacyjnego. W tym wystąpieniu omówię wyzwania, przedstawię obecny stan wiedzy oraz nakreślę kilka obiecujących kierunków rozwiązywania tego problemu. Biogram: Tina Eliassi-Rad jest adiunktem (Associate Professor) w dziedzinie informatyki na Rutgers University.
Przed rozpoczęciem kariery akademickiej pracowała jako członek kadry technicznej i główny badacz w Lawrence Livermore National Laboratory. Tina uzyskała tytuł doktora nauk komputerowych (z minoratem ze statystyki matematycznej) na University of Wisconsin-Madison.
Jej obecne badania znajdują się na przecięciu eksploracji grafów, nauki o sieciach i obliczeniowych nauk społecznych. W zakresie eksploracji danych i uczenia maszynowego badania Tiny znalazły zastosowanie w World-Wide Web, korpusach tekstowych, dużych zbiorach danych symulacji naukowych, sieciach złożonych, wykrywaniu oszustw oraz świadomości sytuacji cybernetycznej. Opublikowała ponad 60 recenzowanych prac (w tym wyróżnienie za drugie najlepsze artykuły na ICDM’09 oraz nagrodę za najlepszy interdyscyplinarny artykuł na CIKM’12); wygłosiła ponad 120 zaproszonych prezentacji.
Jej algorytmy zostały włączone do systemów używanych przez rząd i przemysł (np. IBM System G Graph Analytics), jak również do oprogramowania open-source (np. Stanford Network Analysis Project).
W 2010 roku otrzymała Nagrodę dla Wybitnego Mentora od Biura Nauki Departamentu Energii USA. Więcej szczegółów można znaleźć tutaj. Julian McAuley, University of California, San Diego Tytuł: Wykorzystanie recenzji do budowania bogatszych modeli opinii Streszczenie: Recenzje online są często naszym pierwszym punktem odniesienia przy rozważaniu produktów i zakupów w internecie. Jednakże nawigowanie po ogromnych ilościach recenzji (z których z wieloma możemy się nie zgadzać) jest żmudne, zwłaszcza gdy interesuje nas jakiś niszowy aspekt produktu.
Sugeruje to potrzebę budowania modeli zdolnych do uchwytnienia złożonej i idiosynkratycznej semantyki recenzji, w celu stworzenia bogatszych i bardziej spersonalizowanych systemów rekomendacyjnych. W tym wystąpieniu omówię trzy takie kierunki: Po pierwsze, w jaki sposób można wykorzystać recenzje, aby lepiej zrozumieć wymiary (lub aspekty) opinii ludzi? Po drugie, jak można użyć recenzji do odpowiadania na ukierunkowane pytania, które mogą być subiektywne lub wymagać spersonalizowanych odpowiedzi?
I po trzecie, w jaki sposób można syntezować same recenzje, tak aby przewidzieć, co powiedziałby recenzent, nawet w przypadku produktów, których jeszcze nie widział? Biogram: Badania Juliana McAuleya koncentrują się na lingwistycznych, temporalnych i wizualnych wymiarach opinii i zachowań w sieciach społecznościowych i społecznościach online. Obejmują one rozumienie aspektów opinii ludzi, procesów, w wyniku których ludzie „nabywają gust” do wyszukanych potraw i piw, a nawet wizualnych wymiarów sprawiających, że elementy odzieży są ze sobą kompatybilne.
Jest adiunktem (assistant professor) na UC San Diego od 2014 roku, a tytuł doktora uzyskał na Australian National University. Hanghang Tong, Arizona State University Tytuł: Ku optymalnym zespołom w dużych sieciach Streszczenie: W swojej światowej sławy książce „The Science of the Artificial”, laureat Nagrody Nobla Herbert Simon wskazał, że to raczej złożoność środowiska niż złożoność jednostek determinuje złożone zachowania ludzi.
Rozwój nauki o sieciach i nadejście ery big data stworzyły nowe środowisko/kontekst, w którym ludzie wchodzą w interakcje i współpracują ze sobą, aby wspólnie realizować złożone zadania. W tym wystąpieniu podsumujemy nasze недавние wysiłki związane z analizą wydajności zespołów w kontekście dużych sieci. Po pierwsze (charakteryzacja): przedstawimy nasze ustalenia dotyczące tego, jakie metryki/cechy sieci są kluczowe dla wydajności zespołu i w jakim stopniu. Po drugie (predykcja): przedstawimy modele predykcyjne do prognozowania wydajności danego zespołu na wczesnym etapie, w oparciu o jego strukturę sieciową.
Na koniec (usprawnienie): przedstawimy narzędzia i algorytmy mające na celu zwiększenie wydajności istniejącego zespołu. Biogram: Hanghang Tong jest obecnie adiunktem (assistant professor) w School of Computing, Informatics, and Decision Systems Engineering (CIDSE) na Arizona State University.
Wcześniej był adiunktem w Department of Computer Science, City College, City University of New York, pracownikiem naukowym w IBM T.J. Watson Research Center oraz stypendystą podoktorskim (Post-doctoral fellow) na Carnegie Mellon University. Uzyskał tytuły magistra i doktora na Carnegie Mellon University odpowiednio w 2008 i 2009 roku, specjalizując się w uczeniu maszynowym. Jego zainteresowania badawcze obejmują eksplorację danych na dużą skalę dla grafów i multimediów.
Otrzymał kilka nagród, w tym jedną nagrodę ‘test of time’ (ICDM
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