更改

Körber欧洲科学奖（2019）

Körber欧洲科学奖（2019）

美国统计协会统计教育因果奖(2018)

美国统计协会统计教育因果奖(2018)<ref>"Causality in Statistics Education Award". ''www.amstat.org''.</ref>

莱布尼茨奖（2018）

莱布尼茨奖（2018）

=== Kernel methods 内核方法 ===

=== Kernel methods 内核方法 ===

Schölkopf 开发的 SVM 方法在当时 MNIST 的模式识别基准测试中取得了世界纪录的性能。[2]随着核主成分分析的引入，Schölkopf 和他的合著者认为支持向量机是一类更大的方法的特例，所有可以用点积表示的算法都可以通过所谓的再生核推广到非线性环境中。[3][4]另一个重要的观察结果是，只要核 Gram 矩阵是正定的，定义核的数据就不需要是向量的。[5]这两种见解共同奠定了核方法领域的基础，包括支持向量机和许多其他算法。核方法是当今教科书中的知识，也是研究和应用中的主要机器学习范式之一。

Schölkopf 开发的 SVM 方法在当时 MNIST 的模式识别基准测试中取得了世界纪录的性能<ref>Decoste, Dennis; Schölkopf, Bernhard (1 January 2002). "Training Invariant Support Vector Machines". ''Machine Learning''. '''46''' (1): 161–190. doi:10.1023/A:1012454411458. hdl:11858/00-001M-0000-0013-E06A-A. S2CID 85843 – via Springer Link</ref>。随着核主成分分析的引入，Schölkopf 和他的合著者认为支持向量机是一类更大的方法的特例，所有可以用点积表示的算法都可以通过所谓的再生核推广到非线性环境中<ref><nowiki>https://direct.mit.edu/neco/article/10/5/1299/6193/Nonlinear-Component-Analysis-as-a-Kernel</nowiki>, <nowiki>https://ei.is.tuebingen.mpg.de/publications/5634</nowiki></ref><ref>Burges, Christopher J.C. (1 June 1998). "A Tutorial on Support Vector Machines for Pattern Recognition". ''Data Mining and Knowledge Discovery''. '''2''' (2): 121–167.</ref>。另一个重要的观察结果是，只要核 Gram 矩阵是正定的，定义核的数据就不需要是向量的<ref>B. Schölkopf, Support Vector Learning. PhD Thesis, 1997, <nowiki>https://ei.is.tuebingen.mpg.de/publications/5634</nowiki></ref>。这两种见解共同奠定了核方法领域的基础，包括支持向量机和许多其他算法。核方法是当今教科书中的知识，也是研究和应用中的主要机器学习范式之一。

Schölkopf 开发了内核主成分分析(kernel PCA) ，并将其扩展到提取不变特征和设计不变内核[6][7][8] ，并演示了如何将其他主要的降维分析方法(如 LLE 和 Isomap)视为特例。在与 Alex Smola 和其他人的进一步合作中，他将 SVM 方法扩展到具有预先指定的稀疏度[9]和分位数/支持估计的回归和分类。他证明了一个表示定理，这意味着支持向量机、核主成分分析(kernel PCA)和大多数其他核算法，都是由一个再生核希尔伯特空间中的一个范数正则化的，它们的解决方案都是在训练数据上以核展开的形式出现的，从而将无限维的最佳化问题缩减为有限维的。他与人合作开发了分布方法的内核嵌入来表示 Hilbert Spaces 的概率分布，[11][12][13][14]与夫琅禾费衍射的链接[15]以及独立性测试的应用。[16][17][18]

Schölkopf 开发了内核主成分分析(kernel PCA) ，并将其扩展到提取不变特征和设计不变内核<ref>B. Schölkopf, A. J. Smola, and K.-R. Müller. Nonlinear component analysis as a kernel eigenvalue problem. Neural Computation, 10(5):1299–1319, 1998e</ref><ref>Schölkopf, P. Simard, A. J. Smola, and V. Vapnik. Prior knowledge in support vector kernels. In M. Jordan, M. Kearns, and S. Solla, editors, Advances in Neural Information Processing Systems 10, pages 640–646, Cambridge, MA, USA, 1998d. MIT Press</ref><ref>Chapelle and B. Schölkopf. Incorporating invariances in nonlinear SVMs. In T. G. Dietterich, S. Becker, and Z. Ghahramani, editors, Advances in Neural Information Processing Systems 14, pages 609–616, Cambridge, MA, USA, 2002. MIT Press</ref> ，并演示了如何将其他主要的降维分析方法(如 LLE 和 Isomap)视为特例。在与 Alex Smola 和其他人的进一步合作中，他将 SVM 方法扩展到具有预先指定的稀疏度[<ref>B. Schölkopf, A. J. Smola, R. C. Williamson, and P. L. Bartlett. New support vector algorithms. Neural Computation, 12(5):1207–1245, 2000a</ref>和分位数/支持估计<ref>B. Schölkopf, J. C. Platt, J. Shawe-Taylor, A. J. Smola, and R. C. Williamson. Estimating the support of a high-dimensional distribution. Neural Computation, 13(7):1443–1471, 2001b</ref>的回归和分类。他证明了一个表示定理，这意味着支持向量机、核主成分分析(kernel PCA)和大多数其他核算法，都是由一个再生核希尔伯特空间中的一个范数正则化的，它们的解决方案都是在训练数据上以核展开的形式出现的，从而将无限维的最佳化问题缩减为有限维的。他与人合作开发了分布方法的内核嵌入来表示 Hilbert Spaces 的概率分布，<ref>A. Gretton, K. Borgwardt, M. Rasch, B. Schölkopf and A. Smola. A Kernel Method for the Two-Sample-Problem. Advances in Neural Information Processing Systems 19: 513--520, 2007</ref><ref>A. J. Smola and A. Gretton and L. Song and B. Schölkopf. A Hilbert Space Embedding for Distributions. Algorithmic Learning Theory: 18th International Conference: 13--31, 2007</ref><ref>B. Sriperumbudur, A. Gretton, K. Fukumizu, B. Schölkopf and G. Lanckriet. Hilbert Space Embeddings and Metrics on Probability Measures. Journal of Machine Learning Research, 11: 1517--1561, 2010</ref><ref>A. Gretton, K. Borgwardt, M. Rasch, B. Schölkopf and A. J. Smola. A Kernel Two-Sample Test. Journal of Machine Learning Research, 13: 723--773, 2012</ref>与夫琅禾费衍射的链接<ref>S. Harmeling, M. Hirsch, and B. Schölkopf. On a link between kernel mean maps and Fraunhofer diffraction, with an application to super-resolution beyond the diffraction limit. In Computer Vision and Pattern Recognition (CVPR), pages 1083–1090. IEEE, 2013</ref>以及独立性测试的应用<ref>A. Gretton, R. Herbrich, A. J. Smola, O. Bousquet, and B. Schölkopf. Kernel methods for measuring independence. Journal of Machine Learning Research, 6:2075–2129, 2005a</ref><ref>A. Gretton, O. Bousquet, A. J. Smola and B. Schölkopf. Measuring Statistical Dependence with Hilbert-Schmidt Norms. Algorithmic Learning Theory: 16th International Conference, 2005b</ref><ref>A. Gretton, K. Fukumizu, C.H. Teo, L. Song, B. Schölkopf and A. J. Smola. A Kernel Statistical Test of Independence. Advances in Neural Information Processing Systems 20, 2007</ref>。

=== 因果关系 ===

=== 因果关系 ===

从2005年开始，Schölkopf 将注意力转向因果推理。世界上的因果机制产生统计依赖性作为附带现象，但只有后者被流行的机器学习算法所利用。关于因果结构和机制的知识是有用的，它不仅使我们能够预测来自同一来源的未来数据，而且还能预测系统内干预措施的效果，并促进将发现的规律转移到新的情况。[19]

从2005年开始，Schölkopf 将注意力转向因果推理。世界上的因果机制产生统计依赖性作为附带现象，但只有后者被流行的机器学习算法所利用。关于因果结构和机制的知识是有用的，它不仅使我们能够预测来自同一来源的未来数据，而且还能预测系统内干预措施的效果，并促进将发现的规律转移到新的情况<ref>B. Schölkopf, D. Janzing, J. Peters, E. Sgouritsa, K. Zhang, and J. Mooij. On causal and anticausal learning. In J. Langford and J. Pineau, editors, Proceedings of the 29th International Conference on Machine Learning (ICML), pages 1255–1262, New York, NY, USA, 2012. Omnipress</ref>。

Schölkopf 和他的同事解决了双变量设置的因果发现问题，并将因果关系与柯氏复杂性联系起来。[25]

Schölkopf 和他的同事解决了双变量设置的因果发现问题<ref>P. O. Hoyer, D. Janzing, J. M. Mooij, J. Peters, and B. Schölkopf. Nonlinear causal discovery with additive noise models. In D. Koller, D. Schuurmans, Y. Bengio, and L. Bottou, editors, Advances in Neural Information Processing Systems 21, pages 689–696, Red Hook, NY, USA, 2009. Curran</ref><ref>D. Janzing, P. Hoyer, and B. Schölkopf. Telling cause from effect based on high-dimensional observations. In J. Fu ̈rnkranz and T. Joachims, editors, Proceedings of the 27th International Conference on Machine Learning, pages 479–486, Madison, WI, USA, 2010. International Machine Learning Society</ref><ref>J.M. Mooij, J. Peters, D. Janzing, J. Zscheischler, and B. Schölkopf. Distinguishing cause from effect using observational data: methods and benchmarks. Journal of Machine Learning Research, 17(32):1–102, 2016</ref><ref>J. Peters, JM. Mooij, D. Janzing, and B. Schölkopf. Causal discovery with continuous additive noise models. Journal of Machine Learning Research, 15:2009–2053, 2014</ref><ref>P. Daniusis, D. Janzing, J. Mooij, J. Zscheischler, B. Steudel, K. Zhang, and B. Schölkopf. Inferring deterministic causal relations. In P. Grünwald and P. Spirtes, editors, 26th Conference on Uncertainty in Artificial Intelligence, pages 143–150, Corvallis, OR, 2010. AUAI Press. Best student paper award</ref>，并将因果关系与柯氏复杂性联系起来<ref>Janzing, Dominik; Schölkopf, Bernhard (6 October 2010). "Causal Inference Using the Algorithmic Markov Condition". ''IEEE Transactions on Information Theory''. '''56''' (10): 5168–5194. arXiv:0804.3678. doi:10.1109/TIT.2010.2060095. S2CID 11867432 – via IEEE Xplore.</ref>。

大约在2010年，Schölkopf 开始探索如何利用因果关系进行机器学习，利用机制独立性和不变性的假设。他早期关于因果学习的工作在2011年 NeurIPS 上的波斯纳演讲[27]以及2017年 ICML 的主题演讲中向更广泛的机器学习听众展示。他分析了如何利用潜在的因果结构，以使机器学习方法在分布偏移[29][30][31]和系统误差[32]方面更加强大，后者导致发现了一些新的系外行星[33] ，包括 K2-18b，随后发现其大气中含有水蒸气，这是首次在可居住区的系外行星。

大约在2010年，Schölkopf 开始探索如何利用因果关系进行机器学习，利用机制独立性和不变性的假设<ref><nowiki>https://icml.cc/2012/papers/625.pdf</nowiki>^{[''bare URL PDF'']}</ref>。他早期关于因果学习的工作在2011年 NeurIPS 上的波斯纳演讲<ref>"From kernels to causal inference". ''videolectures.net''.</ref>以及2017年 ICML 的主题演讲中向更广泛的机器学习听众展示<ref>"Causal Learning --- Bernhard Schölkopf". 15 October 2017 – via Vimeo.</ref>。他分析了如何利用潜在的因果结构，以使机器学习方法在分布偏移<ref>B. Schölkopf, D. Janzing, J. Peters, E. Sgouritsa, K. Zhang, and J. Mooij. On causal and anticausal learning. In J. Langford and J. Pineau, editors, Proceedings of the 29th International Conference on Machine Learning (ICML), pages 1255–1262, New York, NY, USA, 2012. Omnipress</ref><ref>K. Zhang, B. Schölkopf, K. Muandet, and Z. Wang. Domain adaptation under target and conditional shift. In S. Dasgupta and D. McAllester, editors, Proceedings of the 30th International Conference on Machine Learning, volume 28 of JMLR Workshop and Conference Proceedings, pages 819–827, 2013</ref><ref>Schölkopf, Bernhard (6 February 2015). "Learning to see and act". ''Nature''. '''518''' (7540): 486–487. doi:10.1038/518486a. <nowiki>PMID 25719660</nowiki>. S2CID 4461791 – via www.nature.com.</ref>和系统误差<ref>Schölkopf, Bernhard; Hogg, David W.; Wang, Dun; Foreman-Mackey, Daniel; Janzing, Dominik; Simon-Gabriel, Carl-Johann; Peters, Jonas (5 July 2016). "Modeling confounding by half-sibling regression". ''Proceedings of the National Academy of Sciences''. '''113''' (27): 7391–7398. Bibcode:2016PNAS..113.7391S. doi:10.1073/pnas.1511656113. PMC 4941423. <nowiki>PMID 27382154</nowiki>.</ref>方面更加强大，后者导致发现了一些新的系外行星<ref>D. Foreman-Mackey, B. T. Montet, D. W. Hogg, T. D. Morton, D. Wang, and B. Schölkopf. A systematic search for transiting planets in the K2 data. The Astrophysical Journal, 806(2), 2015</ref> ，包括 K2-18b，随后发现其大气中含有水蒸气，这是首次在可居住区的系外行星。

== 教育及就业 ==

== 教育及就业 ==

舍尔科夫在蒂宾根和伦敦学习数学、物理和哲学。他得到了学生基金会的支持，并获得了莱昂内尔 · 库珀纪念奖的最佳硕士学位。伦敦大学数学系。[34]他获得了物理学文凭，然后搬到了新泽西州的贝尔实验室，在那里他与弗拉基米尔 · 瓦普尼克(Vladimir Vapnik)一起工作，后者成为了他在柏林理工大学(TU Berlin)的博士论文的联合顾问(与斯蒂芬 · 贾尼钦(Stefan Jähnchen)合作)。他的论文在1997年获得了德国信息学协会的年度奖。[35]2001年，在柏林、剑桥和纽约任职之后，他在马克斯 · 普朗克生物控制论研究所(Max Planck Institute for Biology Cybernetics)创建了经验推理部，该研究所成长为机器学习研究的领先中心。2011年，他成为马克斯 · 普朗克智能系统研究所的创始董事。[36][37]

舍尔科夫在蒂宾根和伦敦学习数学、物理和哲学。他得到了学生基金会的支持，并获得了莱昂内尔 · 库珀纪念奖的最佳硕士学位<ref><nowiki>https://www.leopoldina.org/fileadmin/redaktion/Mitglieder/CV_Schoelkopf_Bernhard_D.pdf</nowiki>^{[''bare URL PDF'']}</ref>。伦敦大学数学系。[34]他获得了物理学文凭，然后搬到了新泽西州的贝尔实验室，在那里他与弗拉基米尔 · 瓦普尼克(Vladimir Vapnik)一起工作，后者成为了他在柏林理工大学(TU Berlin)的博士论文的联合顾问(与斯蒂芬 · 贾尼钦(Stefan Jähnchen)合作)。他的论文在1997年获得了德国信息学协会的年度奖<ref>"TU Berlin – Medieninformation Nr. 209 – 17. September 1998".</ref>。[35]2001年，在柏林、剑桥和纽约任职之后，他在马克斯 · 普朗克生物控制论研究所(Max Planck Institute for Biology Cybernetics)创建了经验推理部，该研究所成长为机器学习研究的领先中心。2011年，他成为马克斯 · 普朗克智能系统研究所的创始董事<ref>History of the Institute". ''www.kyb.tuebingen.mpg.de''.</ref><ref><nowiki>https://www.mpg.de/4379702/MPR_2011_2.pdf</nowiki>^{[''bare URL PDF'']}</ref>。

Schölkopf 与 Alex Smola 共同创立了机器学习暑期学校系列。他还共同创办了剑桥-图宾根博士项目[39]和马克斯 · 普朗克-瑞士联邦理工学院学习系统中心。[40]2016年，他与人共同创立了网络谷研究联盟。[41]他参加了 IEEE 全球倡议的“伦理结盟设计”。[42]

Schölkopf 与 Alex Smola 共同创立了机器学习暑期学校系列<ref>"Machine Learning Summer Schools – MLSS". ''mlss.cc''.</ref>。他还共同创办了剑桥-图宾根博士项目<ref>"Cambridge Machine Learning Group | PhD Programme in Advanced Machine Learning".</ref>和马克斯 · 普朗克-瑞士联邦理工学院学习系统中心<ref>Williams, Jonathan. "Max Planck ETH Center for Learning Systems". ''cls-staging.is.localnet''.</ref>。2016年，他与人共同创立了网络谷研究联盟<ref>"Service". ''Baden-Württemberg.de''.</ref>。他参加了 IEEE 全球倡议的“伦理结盟设计”<ref><nowiki>https://standards.ieee.org/content/dam/ieee-standards/standards/web/documents/other/ead_v1.pdf</nowiki>^{[''bare URL PDF'']}</ref>。

Schölkopf 是《机器学习研究杂志》(Journal of Machine Learning Research)的联合主编，该杂志是他帮助创办的，是《机器学习杂志》(Machine Learning)编辑委员会大规模辞职的一部分。他是世界上被引用最多的计算机科学家之一。他实验室的校友包括 Ulrike von Luxburg，Carl Rasmussen，Matthias Hein，Arthur Gretton，Gunnar Rätsch，Matthias Bethge，Stefanie Jegelka，Jason Weston，Olivier Bousquet，Olivier Chapelle，Joaquin Quinonero-Candela 和 Sebastian Nowozin。[44]

Schölkopf 是《机器学习研究杂志》(Journal of Machine Learning Research)的联合主编，该杂志是他帮助创办的，是《机器学习杂志》(Machine Learning)编辑委员会大规模辞职的一部分。他是世界上被引用最多的计算机科学家之一<ref>"World's Top Computer Scientists: H-Index Computer Science Ranking". ''www.guide2research.com''.</ref>。他实验室的校友包括 Ulrike von Luxburg，Carl Rasmussen，Matthias Hein，Arthur Gretton，Gunnar Rätsch，Matthias Bethge，Stefanie Jegelka，Jason Weston，Olivier Bousquet，Olivier Chapelle，Joaquin Quinonero-Candela 和 Sebastian Nowozin<ref><nowiki>http://people.tuebingen.mpg.de/bs/alumni.htm</nowiki></ref>。

== 个人荣誉 ==

== 个人荣誉 ==

Schölkopf 获得的奖项包括英国皇家学会米尔纳奖，以及与伊莎贝尔 · 盖恩和弗拉基米尔 · 瓦普尼克共同获得的信息和通信技术类 BBVA基金会前沿奖。他是在欧洲工作的第一位获得这个奖项的科学家。[45]

Schölkopf 获得的奖项包括英国皇家学会米尔纳奖，以及与伊莎贝尔 · 盖恩和弗拉基米尔 · 瓦普尼克共同获得的信息和通信技术类 BBVA基金会前沿奖。他是在欧洲工作的第一位获得这个奖项的科学家<ref>Williams, Jon. "Bernhard Schölkopf receives Frontiers of Knowledge Award | Empirical Inference". ''Max Planck Institute for Intelligent Systems''.</ref>。

2018年3月，Schölkopf获得了莱布尼茨奖，这是德国最重要的科研促进奖。在国际上他也享有很高的声望，曾获英国皇家学会米尔纳奖。Schölkopf的研究绝不仅仅是灰色的理论。美国企业亚马逊也采用了他的专有技术，并与马克斯-普朗克学会密切合作，以通过人工智能来优化搜索结果的用户友好度。

2018年3月，Schölkopf获得了莱布尼茨奖，这是德国最重要的科研促进奖。在国际上他也享有很高的声望，曾获英国皇家学会米尔纳奖。Schölkopf的研究绝不仅仅是灰色的理论。美国企业亚马逊也采用了他的专有技术，并与马克斯-普朗克学会密切合作，以通过人工智能来优化搜索结果的用户友好度。

== 参考文献 ==

== 参考文献 ==