Hjem
Nye doktorgrader
Ny doktorgrad

Skalerbare algoritmer for probabilistiske grafiske modeller

Pierre Gillot disputerer 10.11.2023 for ph.d.-graden ved Universitetet i Bergen med avhandlingen "Scalable Learning of Bayesian Networks Using Feedback Arc Set-Based Heuristics".

Hovedinnhold

Interaksjoner mellom agenter eller variabler kan ofte representeres i en grafisk form (for eksempel sosiale nettverk, informasjonsnettverk, biologiske nettverk). Komplekse interaksjoner fører til komplekse grafer og modellering av store mengder av agenter eller variabler er vanskelig. Derfor har utvikling av skalerbare graflæringsmetoder blitt et fokusområde innen kunstig intelligens.

Probabilistiske grafiske modeller representerer avhengigheter mellom stokastiske variabler med grafstrukturer. For eksempel, strukturene av Bayesianske nettverk er rettete asykliske grafer. Bayesianske nettverk er vel egnet for å håndtere usikkerhet, er generative og deres grafiske strukturer er tolkbare (i motsetning til nevrale nettverk). De gjør disse modellene attraktive når uttrykksevne og forklarbarhet er viktig (biomedisin, genomik, finans, fysikk...).

Nevrale nettverk utnytter parallelle læringsalgoritmer og dedikerte maskinvare (GPUer). Det fungerer dessverre ikke for probabilistiske grafiske modeller, noe som gjør disse ekstremt utfordrende å læere i praksis. De beste eksakte metodene håndterer maksimalt noen hundre variabler for sparsomme strukturer.

Dette arbeidet handler om utvikling og empirisk evaluering av heuristikker for å lære strukturen til store Bayesianske nettverk. Disse heuristikkene har forbedret skalerbarhet av strukturlæring og muliggjører læring av strukturer med tusenvis av variabler.

Personalia

Pierre begynte å studere matematikk ved Universitetet i Lille (Frankrike). Deretter fikk han en mastergrad i ren matematikk og annen i signal- og bildebehandling, begge to ved Universitetet i Bordeaux (Frankrike). Hans interesse for kunstig intelligens vokste naturlig mens han jobbet med prosjekter innen maskinsyn og motiverte ham til å bli PhD student i maskinlærinsgruppen ved Universitetet i Bergen. Hovedveileder er Pekka Parviainen og biveileder er Ketil Malde.