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）
