<html><head><style type='text/css'>p { margin: 0; }</style></head><body><div style='font-family: arial,helvetica,sans-serif; font-size: 10pt; color: #000000'>Berk Kapicioglu will present his preFPO on Wednesday February 22 at 11AM <br>in Room 402.  The members of his committee are:  Rob Schapire, advisor; <br>David Blei and Tony Jebara (Columbia), readers; Jennifer Rexford and <br>Andrea LaPaugh, nonreaders.  Everyone is invited to attend his talk.  His <br>abstract follows below.<br><br><hr id="zwchr"><div style="color:#000;font-weight:normal;font-style:normal;text-decoration:none;font-family:Helvetica,Arial,sans-serif;font-size:12pt;"><b></b><div><p style="margin-bottom: 0in; font-weight: normal" align="LEFT">Title:

Applications of Machine Learning to Location Data.<p style="margin-bottom: 0in; font-weight: normal" align="LEFT">Abstract:<p style="margin-bottom: 0in; font-weight: normal;" align="LEFT">First,

we introduce a new graphical model for

tracking radio-tagged animals

and learning their movement patterns. The model provides a principled

way to combine radio

telemetry data with an arbitrary set of

user-deﬁned, spatial features. We describe an efﬁcient stochastic

gradient algorithm for ﬁtting model parameters to data and

demonstrate its eﬀectiveness via asymptotic analysis and synthetic

experiments. We also apply our model to real datasets, and show

that

it outperforms the most popular radio telemetry software package used

in ecology. We conclude that integration of different data sources

under a single statistical

framework, coupled with appropriate

parameter and state estimation procedures, produces both accurate

location estimates and

an interpretable statistical model of animal movement.</p><p style="margin-bottom: 0in; font-weight: normal" align="LEFT"><br></p><p style="margin-bottom: 0in; font-weight: normal;" align="LEFT">Second,

we present the “Place Discovery” problem, where the goal is to

provide a context-dependent and personalized ranking of nearby

places.  To the best of our knowledge, we are the first to pose this

as a machine learning problem.  We provide a new matrix approximation

algorithm that leverages implicit bipartite ranking and spatial

constraints.  We demonstrate on real location datasets that our

methods significantly improve on the amount of personalization

achieved by state-of-the-art matrix approximation methods, such as

Maximum-Margin Matrix Factorization.<p style="margin-bottom: 0in; font-weight: normal" align="LEFT"> <p style="margin-bottom: 0in; font-weight: normal" align="LEFT">Lastly,

we talk about “Location Prediction”.  Here, the goal is to

predict the coordinates (i.e. latitude and longitude) of a user at an

arbitrary time in the future.  We design an unsupervised hierarchical

Bayesian graphical model for location prediction that learns natural

topics such as home and work from unlabeled location data.  We apply

our model both to data gathered from mobile applications, where there

are many users but each user has sparse location points, and to data

gathered from cellular carriers.  Our model outperforms existing

methods in both cases.</p><br></div></div><br></div></body></html>