FM Shayan Gharib puolustaa väitöskirjaansa “Learning under Data Shift: From Distributional Invariance to Structural Adaptation” perjantaina 11.9.2026 klo 13 Helsingin yliopiston päärakennuksen salissa F3017 (Fabianinkatu 33, 3. kerros). Vastaväittäjänä toimii apulaisprofessori Jenni Raitoharju (Jyväskylän yliopisto) ja kustoksena professori Arto Klami (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi.
Shayan Gharibin väitöskirjatyö on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Multi-source Probabilistic Inference -ryhmässä tehtävää tutkimusta. Väitöskirjan ohjaajana on toiminut professori Arto Klami (Helsingin yliopisto).
Oppiminen datasiirtymän yhteydessä: jakaumien invarianssista rakenteelliseen mukautumiseen
Koneoppiminen on vakiinnuttanut asemansa keskeisenä teknologiana erilaisilla aloilla teollisuusautomaatiosta autonomiseen navigointiin. Koneoppimismenetelmien toiminta nojaa kuitenkin tyypillisesti "staattisen maailman" oletukseen: käyttöönoton aikana kohdattavat olosuhteet vastaavat täydellisesti mallin opetuksen aikana havaittuja olosuhteita. Todellisuudessa maailma on dynaaminen. Ympäristön muutokset, antureiden ikääntyminen tai jopa ihmisten tekemien annotaatioiden subjektiiviset vinoumat saavat aikaan ilmiön, joka tunnetaan nimellä datasiirtymä (data shift). Se voi merkittävästi heikentää aiemmin luotettavien mallien toimintaa. Tämä väitöskirja tutkii sitä, kuinka koneoppimismenetelmät voivat mukautua tällaisiin muutoksiin.
Muotoilemme tämän haasteen sekä jakaumien invarianssin että rakenteelliseen mukautumisen näkökulmasta. Konenäön tehtävissä käsittelemme kovariaattisiirtymää (covariate shift), jossa valaistuksen tai taustan vaihteluiden kaltaiset muutokset muuttavat objektien ulkonäköä muuttamatta kuitenkaan niiden identiteettiä. Tällaiset vaihtelut johtavat usein suorituskyvyn heikkenemiseen, kun mallin oppimat lainalaisuudet eivät yleisty uusiin havaintoihin. Ongelman ratkaisemiseksi opimme esitystapoja (representations), jotka ovat invariantteja ympäristön vaihteluille. Tämä opettaa malleja keskittymään kuvan olennaiseen sisältöön ympäristöstä johtuvien häiriötekijöiden sijaan. Lisäksi laajennamme näkökulmaa heikosti ohjatun oppimisen (weak supervision) ”meluisaan” maailmaan, jossa tulkitsemme puutteellisista nimikkeistä johtuvan haasteen eräänlaiseksi käsitesiirtymäksi (concept shift). Hyödyntämällä rakenteellista informaatiota nimikkeiden kardinaliteetin muodossa osoitamme, kuinka luotettavia malleja voidaan rekonstruoida vinoutuneista ja rajallisista havainnoista.
Väitöskirjan viimeinen osa ei liity syväoppimiseen perustuviin malleihin, vaan siinä tarkastelemme fysikaalisia sensoriverkkoja. Rakenteiden kunnonvalvonnassa datasiirtymät johtuvat usein konkreettisista muutoksista, kuten sensorin uudelleensijoittamisesta tai ruosteen ja lian vähittäisestä kertymisestä. Tällaisiin muutoksiin sopeutumista varten esittelemme itsekalibraatioon perustuvan menetelmän, joka hyödyntää fysiikkatietoista eteenpäinsimulointia (physics-informed forward simulation) mallin mukauttamiseksi muuttuneeseen ympäristöönsä.
Väitöskirja tarjoaa yhtenäisen näkökulman erilaisten datasiirtymien hallintaan monissa käytännön sovelluksissa, kuvadatan staattisista ympäristönmuutoksista fyysisten sensoriverkkojen dynaamisiin rakenteellisiin muutoksiin.
Väitöskirjan saatavuus
Väitöskirjan elektroninen versio tulee olemaan saatavilla Helsingin yliopiston avoimessa julkaisuarkistossa Heldassa osoitteessa
Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: