FM Joseph Sakaya väittelee keskiviikkona 17.2.2021 klo 16 Helsingin yliopiston Chemicum-rakennuksen salissa A129 (A. I. Virtasen aukio 1, 1. kerros) aiheesta From Approximations to Decisions. Vastaväittäjänä toimii yliopistonlehtori José Miguel Hernández-Lobato (Cambridgen yliopisto, Iso-Britannia) ja kustoksena professori Petri Myllymäki (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi. Väitöstilaisuutta voi seurata suorana verkkolähetyksenä osoitteessa https://helsinki.zoom.us/j/64731375374?pwd=WmJmTkJQQ0J6Y1hVZ09zNHhwck10QT09.
Joseph Sakayan väitöskirja on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Multi-source Probabilistic Inference -ryhmässä tehtävää tutkimusta. Väitöskirjatyön ohjaajana on toiminut apulaisprofessori Arto Kalmi (Helsingin yliopisto).
Likiarvoisesta päättelystä päätöksiin
Tilastollisia koneoppimismalleja käytetään nykyisin laajalti eri sovelluksissa tietoaineistojen analysointiin, ennustustehtäviin ja päätöksenteon tukena. Eräs keskeinen haaste näille malleille on kohinaisiin havaintoihin liittyvän epävarmuuden huomioiminen. Bayesilainen päättely tarjoaa siihen perustellun tavan. Bayesilaiseen päättelyyn perustuvien koneoppimismallien avulla voidaan luotettavammin tehdä perusteltuja päätöksiä, jotka huomioivat mallin epävarmuudet ja eri vaihtoehtoihin liittyvät hyödyt ja kustannukset.
Bayesilaisten mallien toteuttamiseen voidaan käyttää todennäköisyysohjelmointia, jossa erityisellä kuvauskielellä kirjoitetun mallin päättelyyn käytetään malliriippumattomia ja laskennallisesti tehokkaita, mutta likiarvoisia päättelyalgoritmeja. Tässä väitöskirjassa kehitetään todennäköisyysohjelmoinnin tarpeisiin aiempaa tehokkaampia päättelyalgoritmeja sekä työkaluja vinojen todennäköisyysjakaumien käsittelyyn. Lisäksi työssä keskitytään Bayesilaisten mallien käyttöön päätösongelmissa. Työssä osoitetaan, kuinka likiarvoisen päättelyn pohjalta tehdyt päätökset eivät välttämättä ole optimaalisia, ja esitetään tälle ongelmalle kaksi ratkaisua. Ensimmäisessä muokataan itse päättelyalgoritmia siten, että mallin avulla lopulta tehtävät päätökset huomioidaan jo päättelyvaiheessa, ja osoitetaan, että näin pystytään parantamaan ennusteiden ja päätösten luotettavuutta. Toinen ratkaisu puolestaan korjaa päätöksentekovaiheessa likiarvoisesta päättelystä johtuvia virheitä ja soveltuu käytettäväksi kaikkien päättelyalgoritmien kanssa.
Väitöskirjan saatavuus
Väitöskirjan elektroninen versio on saatavilla Helsingin yliopiston e-thesis-palvelussa osoitteessa http://urn.fi/URN:ISBN:978-951-51-7000-2.
Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: joseph.sakaya@helsinki.fi.