Brian Kulis es un informático conocido por sus contribuciones al aprendizaje automático, con un enfoque en el aprendizaje de métricas, la agrupación (clustering) y los algoritmos de optimización escalables. Es Profesor Asociado en el Departamento de Ciencias de la Computación de la Universidad de Boston y también ocupa un puesto como Científico Investigador en Google. Su trabajo une los fundamentos teóricos con las aplicaciones prácticas, abordando desafíos en el análisis de datos de alta dimensión y el aprendizaje no supervisado.
La investigación de Kulis ha influido en áreas como la visión por computadora, el procesamiento del lenguaje natural y la bioinformática, donde es crítico aprender funciones de distancia apropiadas. Ha publicado extensamente en conferencias y revistas de primer nivel, y su trabajo sobre el aprendizaje de métricas ha sido ampliamente citado. Sus contribuciones incluyen tanto algoritmos fundamentales como implementaciones eficientes que escalan a grandes conjuntos de datos.
Vida Temprana y Educación
Brian Kulis recibió su Licenciatura en Ciencias en Ciencias de la Computación de la Universidad de Cornell en 2003. Luego realizó estudios de posgrado en la Universidad de Texas en Austin, donde obtuvo su Maestría en Ciencias en 2006 y su Doctorado en Filosofía en Ciencias de la Computación en 2010. Su asesor doctoral fue Inderjit Dhillon, un investigador destacado en aprendizaje automático y minería de datos. Durante su doctorado, Kulis se centró en desarrollar algoritmos eficientes para el aprendizaje de métricas y la agrupación, sentando las bases para su carrera posterior.
Carrera Académica
Después de completar su doctorado, Kulis se unió al Departamento de Ingeniería Eléctrica y Ciencias de la Computación de la Universidad de California, Berkeley, como investigador posdoctoral, trabajando con Michael Jordan. Luego se trasladó a la Universidad Estatal de Ohio en 2011, donde fue Profesor Asistente en el Departamento de Ciencias de la Computación e Ingeniería. En 2016, se unió a la Universidad de Boston como Profesor Asociado, donde lidera un grupo de investigación en aprendizaje automático.
En la Universidad de Boston, Kulis imparte cursos sobre aprendizaje automático y minería de datos, y supervisa a estudiantes de doctorado e investigadores posdoctorales. Está afiliado al Instituto Hariri para la Computación y a la Facultad de Computación y Ciencias de Datos. Su servicio académico incluye participar en comités de programa de conferencias importantes como NeurIPS, ICML y CVPR, y ha sido presidente de área en varios de estos eventos.
Contribuciones de Investigación
Aprendizaje de Métricas
Kulis es mejor conocido por su trabajo en el aprendizaje de métricas, que implica aprender una función de distancia a partir de datos para mejorar el rendimiento de algoritmos como k-vecinos más cercanos y la agrupación. Su trabajo temprano introdujo algoritmos eficientes para aprender métricas de distancia de Mahalanobis, que se parametrizan mediante una matriz semidefinida positiva. Desarrolló métodos que escalan a grandes conjuntos de datos utilizando aproximaciones de bajo rango y optimización estocástica.
Uno de sus artículos influyentes, "Learning Low-Rank Kernel Matrices", coescrito con Dhillon, propuso un marco para aprender matrices de kernel de bajo rango, que puede verse como una generalización del aprendizaje de métricas. Este trabajo proporcionó garantías teóricas y algoritmos prácticos que han sido adoptados en diversas aplicaciones.
Agrupación y Algoritmos Escalables
Kulis también ha realizado contribuciones significativas a la agrupación, particularmente en el desarrollo de algoritmos escalables para datos a gran escala. Trabajó en la agrupación espectral y sus aproximaciones, incluido el uso de métodos de Nyström para reducir la complejidad computacional. Su investigación sobre agrupación en línea y en streaming ha abordado el desafío de procesar datos que llegan secuencialmente, lo cual es relevante en aplicaciones en tiempo real.
En colaboración con colegas, Kulis desarrolló algoritmos para la agrupación de subespacios, que buscan agrupar puntos de datos que se encuentran en subespacios de baja dimensión. Esto tiene aplicaciones en la segmentación de movimiento y el reconocimiento facial. Su trabajo a menudo enfatiza garantías teóricas, como tasas de convergencia y límites de aproximación, junto con la eficiencia práctica.
Aprendizaje Profundo y Aplicaciones
Más recientemente, Kulis ha explorado conexiones entre el aprendizaje de métricas y el aprendizaje profundo. Ha investigado cómo se pueden entrenar redes neuronales para aprender incrustaciones que preserven relaciones de similitud, lo cual es útil para tareas como la verificación facial y la recuperación de imágenes. Su investigación también ha abordado el aprendizaje no supervisado y semisupervisado, donde los datos etiquetados son escasos.
Kulis ha colaborado con investigadores en visión por computadora y procesamiento del lenguaje natural, aplicando sus métodos a problemas como el reconocimiento de objetos y la agrupación de documentos. Su trabajo ha sido respaldado por subvenciones de la Fundación Nacional de Ciencias y otras agencias.
Publicaciones Seleccionadas
Kulis ha sido autor o coautor de más de 60 artículos revisados por pares. Algunos de sus trabajos más citados incluyen:
- "Learning Low-Rank Kernel Matrices" (2006, con Inderjit Dhillon)
- "Metric Learning: A Survey" (2012, con una revisión del campo)
- "Scalable Clustering: Algorithms and Applications" (2013, con colegas)
- "Deep Metric Learning: A Survey" (2019, con coautores)
Sus artículos han aparecido en revistas como el Journal of Machine Learning Research y IEEE Transactions on Pattern Analysis and Machine Intelligence, así como en actas de NeurIPS, ICML y CVPR.
Premios y Honores
Kulis ha recibido varios premios por su investigación y enseñanza. Fue receptor del Premio CAREER de la Fundación Nacional de Ciencias en 2014, que apoya a profesores en etapas tempranas de su carrera. También ha sido reconocido con premios o nominaciones al mejor artículo en conferencias, incluido un artículo notable en la Conferencia sobre Incertidumbre en Inteligencia Artificial. En 2020, fue nombrado Miembro Senior de la Asociación para el Avance de la Inteligencia Artificial (AAAI).
Experiencia en la Industria
Además de su rol académico, Kulis ha trabajado en la industria. Ha sido Científico Investigador en Google desde 2017, donde trabaja en problemas de aprendizaje automático relacionados con sistemas a gran escala. Este rol le permite aplicar su investigación a productos del mundo real y colaborar con ingenieros. Su trabajo en la industria ha incluido proyectos sobre agrupación y búsqueda de similitud, que son relevantes para los sistemas de búsqueda y recomendación.
Enseñanza y Mentoría
Kulis es conocido por su dedicación a la enseñanza y la mentoría. Ha desarrollado cursos de nivel de posgrado sobre aprendizaje automático que enfatizan tanto la teoría como la práctica. Ha supervisado a numerosos estudiantes de doctorado que han pasado a ocupar puestos académicos e industriales. Su estilo de mentoría anima a los estudiantes a abordar problemas desafiantes y a comunicar sus hallazgos con claridad.
Impacto y Legado
El trabajo de Brian Kulis ha tenido un impacto duradero en el campo del aprendizaje automático. Su investigación sobre el aprendizaje de métricas ha proporcionado una base para muchos desarrollos posteriores, y sus algoritmos escalables se han utilizado en una variedad de dominios. Con frecuencia es invitado a dar charlas en conferencias y talleres, y se busca su opinión sobre temas relacionados con el aprendizaje no supervisado y la optimización.
A mediados de la década de 2020, Kulis continúa siendo un investigador activo, publicando nuevos trabajos y colaborando con colegas de diversas instituciones. Sus contribuciones han ayudado a dar forma a la forma en que los modelos de aprendizaje automático aprenden de los datos, particularmente cuando los ejemplos etiquetados son limitados.
Véase También
- aprendizaje automático
- inteligencia artificial
- aprendizaje profundo
- red neuronal
- agrupación (no en la lista, pero relacionado)
Referencias
Este artículo se basa en información públicamente disponible sobre la carrera y las publicaciones de Brian Kulis. Los detalles específicos sobre su vida y trabajo se extraen de su perfil académico y sus artículos de investigación.