Statistisk usikkerhet i dype læringsnettverk

Dyp læring er et felt innen kunstig intelligens og maskinlæring som benytter dype nevrale nettverk i oppgaver som bildegjenkjenning, talegjenkjenning og språkoversettelse. Siden dype nevrale nettverk kan sees på som former for ulineær regresjon, har teknikkene i dyp læring svært mye til felles med klassiske metoder fra statistikk.

Avhandlingen tar for seg prinsippene om statistisk usikkerhet, og om hvordan systematisk usikkerhet knyttet til parameterene i dype læringsnettverk skaper usikkerhet når maskiner utfører bildegjenkjenning. Hovedbidraget i forskningen er ny metodikk som er effektiv nok til at klassiske statistiske usikkerhetskvantifiseringsmetoder lar seg anvende i dyp læring og dermed kan benyttes på personlige datamaskiner.

Personalia

Geir Kjetil Nilsen tok en mastergrad i informatikk ved Universitetet i Bergen i 2007. Han jobbet siden som softwareutvikler hos Naxys Technologies AS, før han igjen begynte sine doktorgradsstudier ved Universitetet i Bergen. Forskningen hans handler om tilpasning og effektivisering av klassiske statistiske usikkerhetskvantifiseringsmetoder, for anvendelse i moderne dype læringsnettverk.