Väitös tietotekniikan alalta, M.Sc. Alejandro Catalina

Väitöskirjan nimi: Robust Bayesian Inference: variable and structure selection and variational inference

Tohtoriopiskelija: Alejandro Catalina
Vastaväittäjä: Associate Professor Justin Domke, University of Massachusetts, Yhdysvallat
Kustos: Prof. Aki Vehtari, Aalto-yliopiston perustieteiden korkeakoulu, tietotekniikan laitos

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

Bayesilainen päättely toimii perustavanlaatuisena kehyksenä tilastolliselle analyysille, mahdollistaen aiemman tiedon ja epävarmuuksien sisällyttämisen mallintamisprosessiin. Monimutkaisissa tilanteissa tarkka päättely on usein mahdotonta, mikä edellyttää tehokkaiden laskennallisten menetelmien kehittämistä vankan bayesilaisen mallin arvioinnin ja muuttujien valinnan toteuttamiseksi. 

Tohtorinväitöskirja tutkii uusia laskennallisia lähestymistapoja bayesilaisten mallien arviointiin ja hiomiseen, keskittyen erityisesti muuttujien ja rakenteen valintaan sekä variational inference -tekniikoihin. Hyödyntämällä edistyneitä algoritmeja ja vankkoja tilastollisia menetelmiä, tämä väitöskirja pyrkii virtaviivaistamaan mallin arvioinnin prosessia variational inference -menetelmässä ja parantamaan muuttujien valinnan tarkkuutta suurten ulottuvuuksien ja monimutkaisten ongelmien yhteydessä. 

Väitöskirjan ensimmäinen osa tutkii ja kehittää muuttujien ja rakenteen valintaa yleistettyjen monitasoisten ja additiivisten mallien yhteydessä sekä malliperheissä, jotka ylittävät eksponentiaalisen perheen rajat. Väitöskirja ehdottaa yhdistäviä parannuksia muuttujien valintaan tällaisissa malleissa, osoittaen että muuttujien ja rakenteen valinta on mahdollista näissä monimutkaisissa malleissa säilyttäen ennustetarkkuuden. 

Väitöskirjan toinen osa keskittyy mallin laadun arviointiin ja konvergenssiin variational inference -ongelmissa. Väitöskirja esittelee edistysaskeleita vakauden ja luotettavuuden parantamiseksi arvioinneissa sekä mahdollisten patologioiden diagnosoinnissa. Väitöskirja esittelee edistysaskeleita estimoinnin vakauden ja luotettavuuden parantamiseksi sekä mahdollisten patologisten tapausten tunnistamiseksi. Nämä menetelmät auttavat tuomaan turvallisemman ja vankan tilastollisten menetelmien käytön todellisiin maailman ongelmiin. 

Tässä väitöskirjassa kehitetyt algoritmit on toteutettu osana avoimen lähdekoodin ohjelmistopaketteja ja ne ovat tutkijoiden ja harjoittajien käytettävissä ympäri maailmaa.

Yhteystiedot:

Perustieteiden korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/52