Tapahtumat

Väitös tietotekniikan alalta, DI Topi Paananen

Väitöskirjan nimi on "Computational methods for Bayesian model assessment"
Printed doctoral thesis hanging on the wall

Väitöskirjan nimi: Computational methods for Bayesian model assessment

Uusia menetelmiä tilastollisten mallien arvioimiseen Tilastollinen malli on joukko oletuksia kuvaamaan, miten jokin aineisto on syntynyt. Bayesilainen malli on tilastollinen malli, jossa todennäköisyyksiä käytetään kuvaamaan mallin sisältämää epävarmuutta. Kun uutta aineistoa kerätään, mallin todennäköisyyksiä voidaan päivittää, mitä kutsutaan bayesilaiseksi päättelyksi. Monen mallin kohdalla bayesilaista päättelyä ei voida suorittaa eksaktisti, vaan siihen tarvitaan erinäisiä laskennallisia menetelmiä.

Tilastollisessa mallinnuksessa on tärkeää arvioida mallien käytöstä ja suorituskykyä. Mallien arviointi on hyödyllistä sekä mallien vertailussa ja parantamisessa että niiden oletusten ja rajoitusten selvittämisessä. Bayesilaisten mallien arviointi vaatii usein paljon tietokonelaskentaa. Siksi onkin tärkeää löytää algoritmeja, jotka ovat sekä suorituskykyisiä että laskennallisesti kevyitä.

Tämä väitöskirja tutkii useita laskennallisia työkaluja bayesilaisten mallien arvioimiseen. Väitöskirjan ensimmäinen osa tutkii ja kehittää työkaluja painotusotanta-algoritmeja käyttäen. Näitä tekniikoita hyödynnetään pääasiassa kahteen bayesilaisten mallien arviointitehtävään: ristiinvalidointiin sekä priorien ja uskottavuusfunktioiden herkkyyden analysointiin. Väitöskirjan yksi johtopäätös on, että tietyissä tilanteissa molemmista arviointitehtävistä saadaan sekä tarkempia että nopeammin laskettavia käyttämällä tutkittuja painotusotantamenetelmiä.

Väitöskirjan jälkimmäinen osa tutkii muuttujien tärkeyden arviointia ohjatussa oppimisessa. Väitöskirja tutkii ja esittää menetelmiä, joilla voidaan ottaa mallin ennusteiden epävarmuus huomioon muuttujien tärkeyttä arvioitaessa. Olemassa olevia menetelmiä yleistetään siten, että niitä voidaan käyttää pelkkien yksittäisten ennusteiden sijaan myös ennustejakaumien kanssa. Tämän yleistyksen avulla saadaan tietyissä tapauksissa tarkempia arvioita muuttujien tärkeydestä.

Väitöskirjassa tutkitut menetelmät lisäävät luottamusta tilastollisia malleja kohtaan tekemällä mallien arvioinnista helpompaa ja tehokkaampaa. Kehitettyjä algoritmeja on toteutettu osaksi avoimen lähdekoodin tilastollisen mallinnuksen ohjelmistopaketteja. Näitä paketteja käyttävät tutkijat ja muut bayesilaisen tilastotieteen harjoittajat ympäri maailman.

Vastaväittäjä: professori (reader) Víctor Elvira, University of Edinburgh, Englanti

Kustos: professori Aki Vehtari, Aalto-yliopiston perustieteiden korkeakoulu, Tietotekniikan laitos

Väittelijän yhteystiedot: [email protected]

Väitöstilaisuus järjestetään kampuksella (sali A208d Jeti).

Väitöskirja on julkisesti nähtävillä 10 päivää ennen väitöstä Aalto-yliopiston julkaisuarkiston verkkoriiputussivulla.

Elektroninen väitöskirja

  • Julkaistu:
  • Päivitetty: