(The event will be in English. Here an abstract in Finnish.)
Vastaväittäjänä on professori Gregory Sorkin, London School of Economics and
Political Science, ja kustoksena on professori Esko Ukkonen.
Tiivistelmä:
Algoritmeja Bayes-verkkojen rakenteen tarkkaan oppimiseen
Bayes-verkot ovat todennäköisyysmalleja, joiden avulla voidaan kuvata
muuttujien välisiä suhteita. Bayes-verkko koostuu kahdesta osasta:
rakenteesta ja kuhunkin muuttujaan liittyvästä ehdollisesta
todennäköisyysjakaumasta. Rakenteen puolestaan muodostaa muuttujien välisiä
riippuvuuksia kuvaava suunnattu syklitön verkko. Kun tarkasteltavaa ilmiötä
hyvin kuvaavaa Bayes-verkkoa ei tunneta ennalta, mutta ilmiöön liittyvistä
muuttujista on kerätty havaintoaineistoa, voidaan sopivia algoritmeja
käyttäen yrittää löytää verkkorakenne, joka sovittuu aineistoon
mahdollisimman hyvin.
Nopeimmat tarkat rakenteenoppimisalgoritmit perustuvat niin kutsuttuun
dynaamiseen ohjelmointiin, eli ne pitävät välituloksia muistissa ja näin
välttävät suorittamasta samoja laskuja useaan kertaan. Vaikka tällaiset
menetelmät ovat suhteellisen nopeita, niiden haittapuolena on suuri
muistinkäyttö, joka estää suurten verkkojen rakenteen oppimisen.
Väitöskirjan alkuosa käsittelee rakenteenoppimisalgoritmeja, jotka
tasapainottelevat ajan- ja muistinkäytön välillä. Kirjassa esitellään
menetelmiä, joilla verkon rakenne voidaan oppia tehokkaasti käyttäen hyväksi
kaikki käytössä oleva tila. Uusi menetelmä mahdollistaa entistä suurempien
verkkojen rakenteen oppimisen. Edellä mainittu menetelmä yleistetään
ratkaisemaan Bayes-verkkojen rakenteenoppimisen lisäksi myös niin kutsuttuja
permutaatio-ongelmia, joista tunnetuin lienee kauppamatkustajan ongelma.
Väitöskirjan loppuosa käsittelee muuttujien välisien esi-isäsuhteiden
oppimista. Kyseiset suhteet ovat kiinnostavia, sillä ne antavat lisätietoa
muuttujien sekä suorista että epäsuorista syy-seuraussuhteista.
Väitöskirjassa esitetään algoritmi esi-isäsuhteiden todennäköisyyksien
laskemiseen. Algoritmin toimintaa tutkitaan käytännössä ja todetaan, että
esi-isäsuhteita pystytään oppimaan melko hyvin jopa silloin, kun useat
havaitsemattomat muuttujat vaikuttavat aineiston muuttujiin.
Last updated on 20 Jan 2012 by Ella Bingham - Page created on 20 Jan 2012 by Ella Bingham