ShamM.Kakade教授简介、获奖及成就
简介
他最出名的是什么?
他最著名的研究领域是:
人工智能
统计数据
机器学习
他的主要研究领域包括数学优化、算法、后悔、强化学习和人工智能。Sham M. Kakade将数学优化和系统识别结合在一起，在他的论文中产生工作。他的算法研究融合了混合模型、无监督学习、隐函数和隐马尔可夫模型等主题。
Sham M. Kakade在他的《遗憾》研究中考察了不同的领域，包括维度诅咒、代码、功能、上限和下限以及压缩感知。他在强化学习方面的研究本质上是跨学科的，从机器人和状态空间中汲取灵感。Sham M. Kakade将机器学习和模式识别等科目与他的人工智能研究相结合。
他被引用最多的作品包括:
强盗设定下的高斯过程优化:无悔与实验设计(877次引用)
学习潜变量模型的张量分解(713次引用)
为最近的邻居覆盖树木(677次引用)
到目前为止，他整个职业生涯的主要主题是什么?
主要研究方向为数学优化、算法、人工智能、应用数学和强化学习。他的生物学研究涵盖了广泛的主题，包括随机梯度下降，梯度下降，简单，马尔可夫决策过程和后悔。他的算法研究概念与混合模型、矩阵、无监督学习和隐马尔可夫模型等问题交织在一起。
他的人工智能研究结合了机器学习和模式识别的主题。他的应用数学研究整合了其他学科的关注，如正则化、协方差、凸性、估计和泛化。他的工作涉及诸如参数化复杂性，监督学习，样本，多项式和函数近似等主题，这些主题与强化学习交叉。
他最常发表的领域是:
数学优化(31.43%)
算法(18.21%)
人工智能(15.71%)
他最近的作品(2018-2021年)的亮点是什么?
数学优化(31.43%)
强化学习(12.50%)
应用数学(15.00%)
在最近的论文中，他专注于以下研究领域:
Sham M. Kakade花了大量时间研究数学优化、强化学习、应用数学、算法和马尔可夫决策过程。他将抽样、控制和样本大小的确定联系在一起，研究数学优化中的问题。他在多个领域研究了强化学习，包括上界和下界、样本、函数近似和维数诅咒。
除了应用数学之外，该研究还结合了正则化、随机梯度下降和后悔等学科。他的算法研究结合了广泛学科的主题，如熵、生成语法和修剪。他在马尔可夫决策过程方面的工作涵盖了与生成模型等领域相关的状态空间等主题。
在2018年至2021年期间，他最受欢迎的作品是:
具有隐式梯度的元学习(144次引用)
PACT:移动接触追踪的隐私敏感协议和机制(引用85次)
马尔可夫决策过程中策略梯度方法的最优性与逼近性(81篇引用)
在他最近的研究中，被引用最多的论文集中在:
人工智能
统计数据
机器学习
他的研究领域包括后悔、数学优化、人工智能、线性动力系统和应用数学。他在智能决策支持系统方面的工作扩展到与主题相关的后悔。他的研究集中在马尔可夫决策过程和数学优化两个领域。
他的人工智能研究主题包括对比和样本。他的研究考察了线性动力系统和遗传学之间的联系，以及控制中的此类问题，以及统计噪声。他在应用数学领域的工作将测度、双重下降和凸性等科学家族结合在一起。
这个概述是由一个机器学习系统生成的，该系统分析了这位科学家的工作。如果您有任何反馈，您可以在这里与我们联系。
最好的出版物
强盗设定下的高斯过程优化:无憾与实验设计
Niranjan Srinivas, Andreas Krause, Matthias Seeger, Sham M. Kakade。国际机器学习会议(2010)
学习潜变量模型的张量分解
Animashree Anandkumar; Ge Rong;Daniel Hsu;机器学习研究杂志(2014)
为最近的邻居覆盖树木
Alina Beygelzimer;Sham Kakade;John Langford。国际机器学习会议(2006)
自然政策梯度
Sham M Kakade。神经信息处理系统(2001)
血清素和多巴胺之间的相互作用
Nathaniel D. Daw;Sham Kakade;Peter Dayan。神经网络(2002)
基于典型相关分析的多视图聚类
卡玛丽卡·乔杜里;沙姆·卡卡德;凯伦·利弗斯库;国际机器学习会议(2009)
近似优化近似强化学习
山姆·卡卡德;约翰·兰福德。国际机器学习会议(2002)
强盗反馈下的随机线性优化
Varsha Dani, Thomas P Hayes, Sham M Kakade。学习理论研讨会(2008)
Bandit环境下高斯过程优化的信息论遗憾界
n .斯;。Krause,年代。M .祷告;M。西格。IEEE Transactions on Information Theory (2012)
强盗设定下的高斯过程优化:无憾与实验设计
Niranjan Srinivas, Andreas Krause, Sham M. Kakade, Matthias Seeger。arXiv: Learning (2009)