Helsingin yliopiston tietojenkäsittelytieteen tutkijat ovat saaneet parhaan paperin palkinnon tutkimuksellaan
Palkittu tutkimus kuvasi menetelmää, jolla voidaan selvittää, kuinka monimutkaiset koneoppimis- ja tekoälymenetelmät toimivat. Menetelmän avulla on mahdollista ymmärtää, miksi koneoppimismenetelmät toimivat kuten toimivat paikallisesti yksittäisille datapisteille.
SLIPMAP-menetelmä projisoi datapisteet epälineaarisesti tasolle visualisointia varten. Tämä tehdään siten, että koneoppimismenetelmä käyttää samoja yksinkertaisia malleja lähelle toisiaan projisoituihin datapisteisiin. Tällä tavalla saadaan yleiskuva datasta ja voidaan tutkia, millä perusteilla koneoppimismenetelmä toimii.
– Suunnittelimme koneoppimisalgoritmin, tutkimme sen laskennallisia ominaisuuksia ja todensimme ominaisuudet kokeilemalla algoritmia eri tilanteissa. Käytimme julkisesti saatavilla olevia tietoaineistoja, avoimen lähdekoodin ohjelmistoja ja yliopiston suurteholaskentaympäristöä, kertoo väitöskirjatutkija
Käyttöä myös ennustavana mallina
Tutkijat ovat
Professori
– Uusi menetelmä on vanhaa merkittävästi nopeampi, toimii paremmin kohinaisella datalla ja sitä voidaan myös käyttää ennustavana koneoppimismallina, kertoo väitöskirjatutkija
Samat menetelmät ovat käytössä myös Suomen Akatemian rahoittamassa
Palkittu tutkimus on jatkoa Anton Björklundin tuoreelle väitöskirjatyölle Interpretable and explainable machine learning for natural sciences, jolle tiedekunta on myöntänyt väitösluvan.
Julkaisu:
Björklund, A., Seppäläinen, L., Puolamäki, K., 2024. SLIPMAP: Fast and Robust Manifold Visualisation for Explainable AI, in: Miliou, I., Piatkowski, N., Papapetrou, P. (Eds.), Advances in Intelligent Data Analysis XXII, Lecture Notes in Computer Science. Springer Nature Switzerland, Cham, pp. 223–235.