FM Teppo Niinimäki väittelee 21.8.2015 klo 12 Helsingin yliopiston Exactum-rakennuksen auditoriossa CK112 (Gustaf Hällströmin katu 2b) aiheesta "Approximation Strategies for Structure Learning in Bayesian Networks".  Tutkimus kuuluu tietojenkäsittelytieteen alaan. Vastaväittäjänä toimii professori Timo Koski (Kungliga Tekniska Högskolan, Ruotsi) ja kustoksena professori Jyrki Kivinen (Helsingin yliopisto). Väitöstilaisuus pidetään suomeksi.

Likimääräisiä menetelmiä Bayes-verkkojen rakenteen oppimiseen

Bayes-verkot ovat todennäköisyysmalleja, joilla voidaan mallintaa muuttujien välisiä monimutkaisia tilastollisia riippuvuuksia. Havainnollisuutensa vuoksi ne voivat auttaa mallinnuksen kohteena olevan ilmiön syvemmässä ymmärtämisessä. Muun muassa tästä syystä Bayes-verkkoja halutaan muodostaa eli "oppia" automaattisesti havaintoaineistojen perusteella.

Tärkein ja samalla vaikein tehtävä Bayes-verkon oppimisessa on suunnatusta verkosta koostuvan rakenteen muodostaminen. Verkon solmut edustavat muuttujia, ja solmujen välillä kulkevat kaaret kuvaavat muuttujien välisiä riippuvuuksia. Yksi oppimiseen usein liittyvä ongelma on havaintoaineiston pienestä koosta johtuva epävarmuus oikeasta rakenteesta. Niin kutsutussa täysin bayesiläisessä lähestymistavassa tämä epävarmuus otetaan huomioon ja yksittäisen rakenteen valitsemisen sijaan opitaan todennäköisyydet kaikille mahdollisille rakenteille. Koska erilaisia rakenteita on tyypillisesti epäkäytännöllisen paljon, oppimisen tulos esitetään yleensä joko keräämällä edustava otos todennäköisimpiä rakenteita tai laskemalla todennäköisyyksiä yksittäisille rakenteiden osille.

Tässä väitöstyössä esitellään menetelmiä Bayes-verkkojen rakenteen bayesiläiseen oppimiseen. Koska tunnetut täsmälliset menetelmät suoriutuvat korkeitaan vain noin 25 muuttujan aineistoista, työssä keskitytään satunnaisotantaan perustuviin likimääräisiin Monte Carlo -menetelmiin. Näihin työssä esitellään useita parannuksia, jotka (1) parantavat tulosten täsmällisyyttä, (2) monipuolistavat menetelmiä ja (3) tekevät menetelmistä nopeampia.

Väitöstyön loppuosassa käsitellään Bayes-verkkojen paikallista oppimista, jossa tavoitteena ei ole muodostaa koko rakennetta vaan löytää ainoastaan valitun kohdemuuttujan lähimmät naapurit. Työssä esitellään menetelmä, joka perustuu rakenteen osien pisteyttämiseen. Näin saavutetaan usein parempi lopputulos kuin aiemmilla tilastollisiin riippumattomuustesteihin perustuvilla menetelmillä.

Väitöskirjan saatavuus

Väitöskirjan elektroninen versio on saatavilla Helsingin yliopiston e-thesis-palvelussa osoitteessa http://urn.fi/URN:ISBN:978-951-51-1446-4.

Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: puh. 02941 51236 tai teppo.niinimaki@cs.helsinki.fi.