弗拉基米尔·瓦普尼克

弗拉基米爾·納烏莫維奇·瓦普尼克俄語:英語:1936年12月6日)是一名俄裔美國計算機科學家、研究人員和學者。他是統計學習VC理論的主要開發者之一[1],也是支持向量機方法和支持向量聚類算法的共同發明者[2]

弗拉基米尔·瓦普尼克
Vladimir Vapnik
出生Vladimir Naumovich Vapnik
(1936-12-06) 1936年12月6日
 蘇聯烏茲別克塔什干
国籍 美國
母校烏茲別克州立大學
俄羅斯科學院控制科學研究所
知名于瓦普尼克-澤范蘭傑斯理論
瓦普尼克-澤范蘭傑斯維
支持向量機
統計學習理論
結構性風險最小化
奖项亞歷山大·洪堡研究獎(2003)
美國國家工程院院士(2006)
帕里斯·卡内拉基斯獎(2008)
IEEE神經網路先鋒獎(2010)
IEEE弗蘭克·羅森布拉特獎(2012)
本杰明·富兰克林奖章(2012)
C&C獎(2013)
坎佩·德·費里特獎(2014)
IEEE约翰·冯·诺伊曼奖章(2017)
柯爾莫哥洛夫獎章(2018)
科学生涯
研究领域機器學習
統計學
机构Facebook人工智慧研究部
Vencore實驗室
美國NEC實驗室
AT&T貝爾實驗室
倫敦大學皇家霍洛威學院
哥倫比亞大學
博士導師亞歷山大·勒納

早年生活和教育

瓦普尼克出生在蘇聯的一個猶太家庭[3],1958年在烏茲別克撒馬爾罕烏茲別克州立大學獲得數學碩士學位,1964年在莫斯科控制科學研究所獲得統計學博士學位。1961年至1990年,他在該研究所工作,並成為計算機科學研究部門的負責人[4]

學術生涯

1990年底,瓦普尼克移居美國,加入位於紐澤西州霍姆德爾鎮區AT&T貝爾實驗室自適應系統研究部門。在AT&T期間,瓦普尼克和他的同事們做了支持向量機的工作,他在搬到美國之前也曾做過這個工作。他們在機器學習界感興趣的一些問題上展示了其性能,包括手寫識別。該小組後來在1996年AT&T拆分朗訊科技時成為AT&T實驗室的圖像處理研究部門。2000年,瓦普尼克和神經網路專家哈瓦·西格爾曼開發了支持向量聚類算法,使該算法能夠在沒有標籤的情況下對輸入進行分類——成為使用中最普遍的數據聚類應用之一。瓦普尼克於2002年離開AT&T,加入位於紐澤西州普林斯頓NEC實驗室機器學習組。他還從1995年起在倫敦大學皇家霍洛威學院擔任計算機科學和統計學教授,並從2003年起在紐約市哥倫比亞大學擔任計算機科學教授一職[5]。截至2021年2月1日,他的h指數為86,總體而言,他的出版物已被引用226,597次[6]。他的《統計學習理論的性質》一書就被引用了91,650次。

2014年11月25日,瓦普尼克加入Facebook人工智智慧研究部[7],與他的長期合作者傑森·韋斯頓(Jason Weston)、萊昂·伯托、羅南·科洛貝爾(Ronan Collobert)和楊立昆一起工作[8]。 2016年,他還加入了Vencore實驗室

榮譽

瓦普尼克於2006年入選美國國家工程院。他獲得了2005年伽伯獎[9]、2008年帕里斯·卡内拉基斯獎、2010年神經網路先鋒獎[10]、2012年IEEE弗蘭克·羅森布拉特獎、2012年本杰明·富兰克林计算机和认知科学奖[4]、2013年NEC C&C基金會的C&C獎[11]、2014年坎佩·德·費里特獎、2017年IEEE约翰·冯·诺伊曼奖章[12]。2018年,他獲得倫敦大學的科爾莫戈羅夫獎章,並發表科爾莫戈羅夫講座[13]。2019年,瓦普尼克獲得BBVA基金會知識前沿獎

出版書籍

  • On the uniform convergence of relative frequencies of events to their probabilities, co-author A. Y. Chervonenkis, 1971
  • Necessary and sufficient conditions for the uniform convergence of means to their expectations, co-author A. Y. Chervonenkis, 1981
  • Estimation of Dependences Based on Empirical Data, 1982
  • The Nature of Statistical Learning Theory, 1995
  • Statistical Learning Theory (1998). Wiley-Interscience, ISBN 0-471-03003-1.
  • Estimation of Dependences Based on Empirical Data, Reprint 2006 (Springer), also contains a philosophical essay on Empirical Inference Science, 2006

參考資料

  1. Vapnik, Vladimir N. . 2000 [2023-06-15]. ISBN 978-1-4419-3160-3. S2CID 7138354. doi:10.1007/978-1-4757-3264-1. (原始内容存档于2021-07-31) (英语).
  2. Cortes, Corinna; Vapnik, Vladimir. . Machine Learning. 1995-09-01, 20 (3): 273–297. CiteSeerX 10.1.1.15.9362可免费查阅. ISSN 0885-6125. S2CID 206787478. doi:10.1007/BF00994018 (英语).
  3. Estimation of Dependences Based on Empirical Data, (Springer Science & Business Media, 28 Sep 2006), By V. Vapnik, page 424
  4. . Franklin Institute. 2012 [2013年4月6日]. (原始内容存档于2017-03-06).
  5. Scholkopf, Bernhard. . . Springer. 2013 [2023-06-15]. ISBN 978-3-642-41136-6. (原始内容存档于2015-02-27).
  6. . [2023-06-15]. (原始内容存档于2017-02-22).
  7. . FAIR. [2016-09-20]. (原始内容存档于2023-03-07).; "see also" . [2017-09-06]. (原始内容存档于2017-09-06).
  8. . VentureBeat. 2014 [2014年11月28日]. (原始内容存档于2014-11-27).
  9. . International Neural Network Society. 2005 [2014年11月28日]. (原始内容存档于2017-07-05).
  10. . [2023-06-15]. (原始内容存档于2011-10-11).
  11. . NEC. 2013 [2013年12月3日]. (原始内容存档于2023-02-20).
  12. (PDF). Institute of Electrical and Electronics Engineers (IEEE). [2023-06-15]. (原始内容存档 (PDF)于2017-02-07).
  13. . [2023-06-15]. (原始内容存档于2021-01-24).

外部連結

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.