亚马逊柏林办公室的高级应用科学家Matthias Seeger与三位合著者共同获得了ICML 2020时间检验奖以表彰他们在十年前发表的一篇论文。该论文对机器学习领域的研究与实践产生了重大影响。该奖项于7月1日公布获奖者将于7月13日在线上会议上发表全体会议演讲。Seeger表示这篇名为《Gaussian Process Optimization in the Bandit Setting: No Regret and Experimental Design》的论文在先前彼此独立的领域——贝叶斯优化(BO)、线性上下文多臂老虎机(MAB)和贝叶斯实验设计(BED)——之间建立了持久的联系。“我们的工作为贝叶斯优化奠定了坚实的理论基础并自此促进了MAB、BO和BED这几个独立研究领域的交叉融合” Seeger说。Seeger的合著者包括现任10xGenomics计算生物学家的Niranjan Srinivas现任苏黎世联邦理工学院计算机科学教授的Andreas Krause以及现任华盛顿大学计算机科学与统计学系教授的Sham Kakade。该获奖论文由ICML大会主席David Blei、项目联合主席Aarti Singh和Hal Daumé III在咨询奖项委员会后共同选出。在宣布该奖项时他们表示“这篇论文通过分析高斯过程老虎机优化将贝叶斯优化、老虎机和实验设计这三个领域结合在一起提出了一种新颖的方法以互信息增益量来推导有限样本下的遗憾界。在过去的十年里这篇论文产生了深远的影响包括其方法本身、所使用的证明技术以及实际应用成果。这些都极大地丰富了我们的社区激发了从理论到实践的无数后续作品的创造力。”Seeger在亚马逊从事科研工作已超过六年他是亚马逊SageMaker背后的首席科学家之一该服务为每位开发者和数据科学家提供了快速构建、训练和部署机器学习模型的能力。他还为自动模型调优和亚马逊SageMaker Autopilot背后的科学和技术做出了贡献。Seeger担任ICML 2020的新人联席主席和最佳论文奖委员会成员。他亦持续发表学术论文。在今年的ICML自动机器学习研讨会上他与合著者Eric Hans Lee、Valerio Perrone和Cedric Archambeau将发表论文《Cost-aware Bayesian Optimization》。在论文摘要中作者提到“虽然在黑盒设置中标准的成本感知启发式方法是通过成本对采集函数进行归一化但我们发现这种方法通常表现不佳因此我们采用了一种不同的方法将成本较低的评估安排在成本较高的评估之前。我们通过两种改进的启发式方法来实现这一点一种成本效益高的初始设计以及一个‘成本冷却’优化阶段该阶段会在迭代过程中逐步降低已学习成本模型的影响。”ICML 2020于7月12日至18日举行。会议原定在奥地利维也纳举办现改为全线上虚拟会议。FINISHED更多精彩内容 请关注我的个人公众号 公众号办公AI智能小助手或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号网络安全技术点滴分享