Väitös automaation, systeemien ja säätötekniikan alalta, M.Sc. Oliver Struckmeier

Väitöskirjan nimi: Representation learning methods for robotic perception and learning - at the intersection of computational neuroscience and machine learning

Tohtoriopiskelija: Oliver Struckmeier
Vastaväittäjä: Prof. Jaakko Peltonen, Tampereen yliopisto
Kustos: Prof. Ville Kyrki, Aalto-yliopiston sähkötekniikan korkeakoulu, sähkötekniikan ja automaation laitos

Viime vuosina tekoälyn edistyminen on perustavanlaatuisesti muuttanut tapaamme olla vuorovaikutuksessa teknologian kanssa. Älykkäillä järjestelmillä on kuitenkin edelleen vaikeuksia ymmärtää maailma holistisena kokonaisuutena, mikä on olennaista oppimisen ja sopeutumisen näkökulmasta ja näin ollen välttämätöntä järjestelmien ja fyysisen ympäristön välisessä merkityksellisessä vuorovaikutuksessa. Viimeaikaiset neurotieteen löydökset ovat parantaneet ymmärrystämme siitä, miten aistitiedon käsittelyn prosessit tapahtuvat aivoissa, mikä on lupaavaa älykkäiden järjestelmien kehittämisen kannalta. 

Ensin väitöskirjassa käsitellään menetelmiä opittujen piirreavaruuksien laadun mittaamiseen ja vertaamiseen. Tämän pohjalta väitöskirjassa tutkitaan lineaarisesti sovitettavien esitystapojen (engl. linearly alignable representations) oppimisen myönteistä vaikutusta suorituskykyyn ja datatehokkuuteen määrittelyjoukon sopeuttamisen tehtävissä (engl. domain adaptation tasks). Seuraavaksi väitöskirjassa esitellään kolme tapaustutkimusta, joissa on parannettu viimeisimpien koneoppimismenetelmien vakautta ja datatehokkuutta soveltaen neurotieteen periaatteita. Erityisesti väitöskirjassa ratkaistaan ongelmia, kuten tehokasta ja vakaata syväoppimista ja jäljittelyoppimista, hyväksikäyttäen temporaalisen samankaltaisuuden estimointia ja sensorisen tiedon ennustamista. Väitöskirjan esittelemät menetelmät ovat validoitu sarjassa navigaatiokokeita hyväksikäyttäen neuromorfista laitteistoa. 

Väitöskirjan tulokset osoittavat neurotoimintaan perustuvien representaatio-oppimismenetelmien mahdollisuudet. Erityisesti ennustaminen ja temporaalinen hitaus ovat käsitteitä, jotka ovat osoittautuneet merkittäviksi sovellettuna viimeisimpiin representaatio-oppimismenetelmiin. Yhteenvetona voidaan todeta, että neurotoimintaan perustuva representaatio-oppiminen on lupaava kehityssuunta suunnitellessa tehokkaampia, joustavampia ja vakaampia älykkäitä järjestelmiä.

Avainsanat: Representaatio-oppiminen, Jäljittelyoppiminen, Neurorobotiikka

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä): https://aaltodoc.aalto.fi/doc_public/eonly/riiputus/

Yhteystiedot:

Sähkötekniikan korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/53