Aalto-yliopiston perustieteiden korkeakoulu jakoi helmikuussa vuoden 2020 diplomityöpalkinnot. Perustieteiden korkeakoulusta valmistui viime vuonna diplomi-insinööriksi noin 400 opiskelijaa, ja palkinto myönnettiin heistä vain noin prosentille.
Neljästä palkinnonsaajasta kaksi on tietotekniikan laitokselta, Silja Sormunen ja Erik Härkönen.
Silja Sormusen diplomityön otsikko on ”Distinguishing subsampled power laws from other heavytailed distributions”. Hänen diplomityönsä ohjaajana toimi professori Jari Saramäki.
Työ liittyy potenssilakia noudattaviin todennäköisyysjakaumiin. Niitä on havaittu useissa sekä biologisissa että ihmisen rakentamissa systeemeissä, ja ne ovat erityisen keskeisiä verkostotieteessä. Potenssilakien tunnistaminen ja niiden erottaminen muista leveähäntäisistä jakaumista ei kuitenkaan ole suoraviivaista. Erottaminen muuttuu entistä monimutkaisemmaksi, jos analyysi perustuu otoksiin.
"Työssä tutkittiin, kuinka hyvin kaksi potenssilakien tunnistamiseen yleisesti käytettyä menetelmää onnistuvat erottamaan otokset potenssilakijakaumasta muista leveähäntäisistä jakaumista. Työssä havaittiin, että jakaumatyypin luokittelu on haastavaa, mutta otanta vaikuttaa menetelmien toimimiseen eri tavoin – toinen metodeista voi itse asiassa toimia tietyissä tapauksissa paremmin otannan jälkeen kuin sitä ennen", Sormunen selittää.
Sormunen on doctoral track -opiskelija, joka aloitti väitöskirjansa tekemisen jo maisteriopintojensa alkuvaiheessa. Lue lisää doctoral trackista täältä.
Erik Härkösen diplomityön otsikko on ”Unsupervised Discovery of Interpretable GAN Controls”. Hänen työnsä ohjasi professori Jaakko Lehtinen. Työ käsittelee datapohjaisten generatiivisten GAN-koneoppimismallien ohjausta ihmiselle ymmärrettävillä, tulkittavilla tavoilla. GAN-mallit ovat perusmuodossaan niin sanottuja mustia laatikoita, joiden tulkittava ohjaaminen vaatii merkittävää ennakkopanostusta.
"Työssä havaitaan, että malleja voidaan analysoida ja ohjata aiempia menetelmiä yksinkertaisemmalla tavalla hyödyntäen tilastollisen analyysin perusmenetelmää PCA:ta. Ohjaamattomasta luonteestaan johtuen esitelty menetelmä mahdollistaa myös täysin uusien, aiemmin tuntemattomien tulkittavien ohjaustapojen löytämisen", Härkönen kertoo.
Työhön liittyvä tutkimus tehtiin osittain Adobe Researchissa Cambridgessa, Massachusettsissa. Siitä kirjoitettu tutkimusartikkeli hyväksyttiin maailman suurimpaan ja tärkeimpään koneoppimisen konferenssiin NeurIPS:iin vuonna 2020.