مقدمه
ماریوس لینداور، زادهٔ ۲۵ دسامبر ۱۹۸۵ در برلین آلمان، دانشمند علوم کامپیوتر و استاد یادگیری ماشین در مؤسسه هوش مصنوعی دانشگاه لایبنیتس هانوفر است. او بهویژه با پژوهشهایش در یادگیری ماشین خودکار و رویکردهای فراالگوریتمی شناخته میشود و نقش مهمی در خودکارسازی بخشهایی از فرایند یادگیری ماشین ایفا کرده است.
زندگینامه و مسیر علمی
لینداور از سال ۲۰۰۵ تا ۲۰۱۰ علوم کامپیوتر را در دانشگاه پوتسدام خواند. او در سال ۲۰۱۵ با راهنمایی تورستن شاوب و هولگر هوس، مدرک دکترای علوم طبیعی را از همان دانشگاه دریافت کرد.
در سال ۲۰۱۴، لینداور به آزمایشگاه پژوهشی یادگیری ماشین به سرپرستی فرانک هوتر پیوست و بهعنوان نخستین پژوهشگر پسادکتری، در شکلگیری و رشد این گروه نقش داشت. او در سال ۲۰۱۹ به دانشگاه لایبنیتس هانوفر رفت و بهعنوان استاد، رهبری آزمایشگاه یادگیری ماشین را بر عهده گرفت. در سال ۲۰۲۲ نیز مؤسسه هوش مصنوعی این دانشگاه را بنیان گذاشت.
لینداور علاوه بر این مسئولیتها، سرپرست مشترک گروه پژوهشی automl.org، همبنیانگذار شبکه پژوهشی COSEAL و عضو هیئت مشورتی آن است. او همچنین از اعضای حامی CLAIRE و عضو ELLIS به شمار میرود. دستاوردهای پژوهشیاش در نشریات و کنفرانسهای معتبر منتشر شده است.
دستاوردها
لینداور در دوره دکتری خود در چند رقابت بینالمللی مرتبط با حل مسائل دشوار بهینهسازی ترکیبیاتی به موفقیتهای چشمگیری دست یافت. از جمله این افتخارات میتوان به موارد زیر اشاره کرد:
- رتبه نخست در شاخه NP مسابقه برنامهنویسی مجموعهپاسخ سال ۲۰۱۱ با claspfolio؛
- موفقیت در بخش ترکیبیاتی دشوار SAT+UNSAT چالش SAT سال ۲۰۱۲ با clasp-crafted؛
- موفقیت در دو شاخه چالش حلکنندههای SAT پیکربندیپذیر سال ۲۰۱۳ با clasp-cssc.
در دوره پسادکتری و سالهای بعد نیز، او با مشارکت در چالشهای اول و دوم AutoML با auto-sklearn و چالش بهینهسازی جعبهسیاه برای یادگیری ماشین در NeurIPS 2020، بخشی از تیمهای برنده بود.
محورهای پژوهشی
محور اصلی کارهای لینداور را میتوان خودکارسازی بخشهایی از فرایند یادگیری ماشین دانست. پژوهشهای او طیف گستردهای از موضوعات را پوشش میدهد:
- بهینهسازی ابرپارامترها: جستوجوی کارآمدتر تنظیمات مدل برای دستیابی به عملکرد بهتر.
- بهینهسازی چندوفاداری: ترکیب ارزیابیهای سریع، ارزان و دقیقتر برای کاهش زمان و هزینه محاسبات.
- یادگیری تقویتی خودکار: سادهسازی طراحی، تنظیم و بهبود عاملهای یادگیری تقویتی.
- AutoML تعاملی: پیوند دادن فرایندهای خودکار با بازخورد و نیازهای کاربر انسانی.
- AutoML سبز: کاهش مصرف انرژی و اثر زیستمحیطی آموزش و استقرار مدلها.
- AutoML قابلتفسیر: شفافسازی انتخابها و تصمیمهایی که سامانههای خودکار در یادگیری ماشین میگیرند.
منابع و پیوند بیرونی
منابع اصلی این مقاله شامل معرفیهای رسمی دانشگاه لایبنیتس هانوفر، automl.org، COSEAL، CLAIRE و ELLIS است.
پیوند بیرونی: وبسایت ماریوس لینداور در مؤسسه هوش مصنوعی دانشگاه لایبنیتس هانوفر.