Väitös tietotekniikan alalta, MSc Prakhar Verma

Väitöskirjan nimi: Scalable Probabilistic Inference for Sequential Stochastic Models

Väittelijä: Prakhar Verma 
Vastaväittäjä: apulaisprofessori Jes Frellsen, Technical University of Denmark
Kustos: apulaisprofessori Arno Solin, Aalto-yliopiston perustieteiden korkeakoulu 

Monet reaalimaailman järjestelmät kehittyvät ajan myötä epävarmuuden vallitessa. Esimerkkejä ovat sää, rahoitusmarkkinat, autonomiset teknologiat ja tieteelliset prosessit, joissa järjestelmän tärkeitä osia ei voida havaita suoraan ja mittaukset ovat usein kohinaisia. Näiden järjestelmien ymmärtämiseksi ja niiden tulevan käyttäytymisen ennustamiseksi koneoppimismallien on kyettävä käsittelemään epävarmuutta sen sijaan, että ne nojaisivat yhteen parhaaseen arvaukseen. 

Tässä väitöskirjassa kehitettiin uusia menetelmiä, jotka mahdollistavat koneoppimismallien oppimisen niukasta ja kohinaisesta datasta tehokkaammin ja luotettavammin. Työssä keskityttiin todennäköisyyspohjaisiin malleihin, jotka esittävät epävarmuuden matemaattisesti ja tarjoavat tavan estimoida tuntemattomia suureita ja ennustaa tulevia tapahtumia. Vaikka nämä mallit ovat tehokkaita, ne muuttuvat usein laskennallisesti liian raskaiksi monimutkaisissa reaalimaailman ongelmissa. 

Laskennallisten rajoitusten ratkaisemiseksi väitöskirja esittelee uusia skaalautuvia menetelmiä, jotka tekevät malleista käyttökelpoisia yhä monimutkaisemmissa sovelluksissa. Ehdotetut menetelmät parantavat jatkuvasti kehittyvien järjestelmien analysointia, mahdollistavat koneoppimismallien oppimisen ajan myötä saapuvasta datasta ilman kaikkien aiempien havaintojen tallentamista sekä tekevät mahdolliseksi ilmaisuvoimaisempien generatiivisten mallien tehokkaan kouluttamisen. Tutkimuksessa kehitettiin myös bayesiläinen lähestymistapa kausaalisuhteiden löytämiseen, joka yhdistää havaintodatan suurista kielimalleista saatuun ennakkotietoon. Tämä mahdollistaa syy-seuraussuhteiden luotettavamman tunnistamisen silloinkin, kun sekä data että ennakkotieto ovat epävarmoja. 

Yhdessä nämä menetelmät osoittavat, että todennäköisyyspohjaisesta päättelystä voidaan tehdä sekä skaalautuvaa että luotettavaa myös niukan ja kohinaisen datan vallitessa. Kehitetyt työkalut ovat yleiskäyttöisiä: ne antavat malleille kyvyn oppia jatkuvasti, arvioida ennusteidensa epävarmuuden ja soveltuvat eri aloille tieteellisestä mallinnuksesta autonomisiin järjestelmiin.

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 7 päivää ennen väitöstä): Aalto-yliopiston riiputussivu.

Yhteystiedot: 
prakhar.verma@aalto.fi