Gaussian Processes with Monotonicity constraints for Big Data

Thumbnail Image

Files

master_Tolvanen_Ville_2014.pdf (1.16 MB)

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2014-06-16

Department

Major/Subject

Laskennallinen ja kognitiivinen biotiede

Mcode

IL3003

Degree programme

BIO - Bioinformaatioteknologia

Language

en

Pages

7+58

Series

Abstract

Tämän työn tarkoitus on kehittää menetelmä monotonisuusrajoitettujen Gaussisten Prosessien käyttämiseksi suurille aineistoille. Variaatiolaskentaan perustuvaa menetelmää testataan usealla simuloidulla ja oikealla aineistolla. Uuden menetelmän prediktiivistä kykyä verrataan expectation propagation menetelmään, sekä Markov chain Monte Carlo menetelmiin. Työssä saatujen tulosten perusteella voidaan päätellä, että uusi menetelmä toimii ja sitä voidaan käyttää, kun aineistot kasvavat liian suuriksia laskennallisesti raskaille menetelmille.

In this thesis, we combine recent advances in monotonicity constraints for Gaussian processes with Big Data inference of Gaussian Proceses. The new variational inference based method is developed and experimented on several simulated and real world data sets by comparing the predictive performance to Expectation Propagation and Markov chain Monte Carlo methods. The results indicate that the new method produces good results and can be used when the data sets get so large that the computationally demanding methods cannot be used.

Description

Supervisor

Lampinen, Jouko

Thesis advisor

Vehtari, Aki

Keywords

Gaussian processes, monotonicity, big data, variational inference, Gaussiset prosessit, monotonisuus, suuret aineistot, variaatiolaskenta

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-201406302272

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC