Gratulerar till doktorsexamen! Vad hade du för bakgrund när du började din forskarutbildning?
– Tack. Innan jag påbörjade mina doktorandstudier, genomförde jag en civilingenjörsutbildning på Chalmers, med inriktning Bioteknik. I min master fokuserade jag på analys och modellering av komplexa system, vilket innebar ett skifte från våtlabbet till datorlabbet.
Hur är det att vara doktorand vid IDA?
– Doktorandstudierna har varit väldigt givande i stort, även om det också har varit en del upp- och nedgångar. Söker du en trevlig arbetsmiljö och stöttande kollegor, skulle jag definitivt rekommendera att doktorera på IDA.
Du har precis disputerat. Vad vill du göra härnäst?
– Jag kommer att jobba kvar på universitetet till årsskiftet, bland annat så är jag med och organiserar en workshop som fokuserar på kvinnor i maskininlärning. Vad jag ska göra efter det har jag ännu inte bestämt.
Sammanfattning av avhandlingen
Maskininlärningsmodeller används för att göra prediktioner, så som att förutsäga vädret eller rekommendera personliga favoriter i streamingtjänster. Med syfte att prediktera verkliga företeelser, påverkas maskininlärningsmodeller av den inneboende osäkerhet som är del av dessa företeelser. Dessutom är maskininlärningsmodeller datadrivna, vilket innebär att en sådan modell förvärvar kunskap genom att observera data, som kallas träningsdata, vilken ligger till grund för hur väl modellen presterar på sin avsedda uppgift. Begränsad eller brusig träningsdata är båda potentiella källor till osäkerhet i modellens prediktioner.
I sin avhandling, fokuserar Amanda Olmin på probabilistiska maskininlärningsmodeller. Dessa modeller är särskilt lämpade för att ta hänsyn till osäkerhet i prediktioner, som uppstår till följd av ovan nämnda aspekter. I synnerhet i säkerhetskritiska sammanhang är denna egenskap viktig, eftersom prediktiv osäkerhet kan spela en central roll i beslutsfattande processer, som till exempel när en mänsklig förare bör överta kontrollen av ett självkörande fordon. Avhandlingen lägger också betydande fokus på så kallad etikettosäkerhet i träningsdata. Genom ökad förståelse för hur etikettosäkerhet, liksom andra faktorer, påverkar egenskaper hos probabilistiska maskininlärningsmodeller hoppas avhandlingen bidra till en säkrare användning av sådana modeller i samhället.
Läs avhandlingen: Perspectives on Predictive and Annotation Uncertainty in Probabilistic Machine Learning
Svensk titel: Perspektiv på prediktiv- och etikettosäkerhet i probabilistisk maskininlärning