M.Eng. Chengkun Li puolustaa väitöskirjaansa "Surrogate-based methods for efficient Bayesian posterior computation" keskiviikkona 1.4.2026 klo 13 Helsingin yliopiston päärakennuksen pienessä juhlasalissa (F4050, Fabianinkatu 33, 4. kerros). Vastaväittäjänä toimii professori Umberto Picchini (Chalmers tekniska högskola ja Göteborgs universitet, Ruotsi) ja kustoksena apulaisprofessori Luigi Acerbi (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi.
Chengkun Lin väitöskirjatyö on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Machine and Human Intelligence -ryhmässä tehtävää tutkimusta. Väitöskirjan ohjaajana on toiminut apulaisprofessori Luigi Acerbi (Helsingin yliopisto).
Korvikemalleihin perustuvia menetelmiä tehokkaaseen bayesilaiseen posteriorilaskentaan
Bayesilainen päättely on tapa oppia datasta siten, että epävarmuus otetaan huolellisesti huomioon. Sen sijaan, että tuotettaisiin yksi ainoa paras arvio, se kuvaa joukon mahdollisia vastauksia sekä sen, kuinka varmoja niistä voidaan olla. Tämä tekee siitä erityisen arvokkaan tieteessä, tekniikassa ja päätöksenteossa, joissa epävarmuuden ymmärtäminen on usein yhtä tärkeää kuin ennusteiden tekeminen.
Käytännössä bayesilaiset menetelmät voivat kuitenkin olla erittäin laskennallisesti vaativia. Monimutkaisissa malleissa yksittäinen mallin arviointi voi viedä paljon aikaa, ja analyysi saattaa edellyttää suurta määrää tällaisia arviointeja. Tilanne vaikeutuu myös silloin, kun samanlainen analyysi täytyy toistaa useille eri aineistoille. Tämän vuoksi bayesilaisia menetelmiä voi olla vaikea soveltaa käytännön ongelmiin. Tässä väitöskirjassa kehitetään uusia lähestymistapoja, joiden avulla bayesilaista päättelyä voidaan tehdä huomattavasti tehokkaammin. Keskeinen ajatus on rakentaa nopeita tilastollisia approksimaatioita laskennallisesti raskaista malleista. Näiden avulla epävarmuutta voidaan arvioida paljon nopeammin säilyttäen samalla tarkkuus.
Väitöskirjan ensimmäisessä julkaisussa esitellään käytännöllinen ohjelmistotyökalu tilanteisiin, joissa mallia voidaan arvioida vain rajallinen määrä kertoja. Menetelmä hyödyntää huolellisesti rakennettua approksimaatiota, jonka avulla luotettava epävarmuuden arviointi on mahdollista myös tiukkojen laskentaresurssien puitteissa. Toisessa ja kolmannessa julkaisussa tarkastellaan vaihtoehtoisia tapoja rakentaa tällaisia nopeita approksimaatioita ja osoitetaan, että tarkkoja epävarmuusarvioita voidaan usein saada ilman uusia kalliita simulaatioita. Väitöskirjan neljäs julkaisu keskittyy tilanteisiin, joissa samanlainen analyysi täytyy suorittaa toistuvasti. Ehdotettu lähestymistapa oppii etukäteen simuloiduista esimerkeistä, miten analyysi tehdään. Tämän jälkeen se pystyy tuottamaan nopeasti epävarmuusarvioita uusille aineistoille. Lisäkorjausvaiheet varmistavat, että tulokset säilyvät luotettavina.
Yhteenvetona väitöskirja osoittaa, että bayesilaisen analyysin laskennallisia kustannuksia voidaan merkittävästi pienentää säilyttäen samalla luotettavuus. Tämä laajentaa bayesilaisten menetelmien käytettävyyttä tieteen ja tekniikan aloilla.
Väitöskirjan saatavuus
Väitöskirjan elektroninen versio tulee olemaan saatavilla Helsingin yliopiston avoimessa julkaisuarkistossa Heldassa osoitteessa
Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: