Kohti skaalautuvaa ja epäbiasedia scene graph generationia: Aktiivisen oppimisen ja kausaalisen informaation näkökulmat

Tässä väitöskirjassa käsitellään koneoppimismenetelmiä, joita käytetään visuaalisten rakenteiden luomiseksi tietokoneen näkemän tiedon perusteella. Erityisesti tutkimuksessa tarkastellaan kahta suurta haastetta: miten vähentää manuaalisia merkintöjä ja miten parantaa järjestelmien ennustettavuutta vähentämällä ennustevääristymiä. Tämä väitöskirja esittelee uuden tavan ratkaista nämä ongelmat yhdistämällä aktiivista oppimista ja kausaalista päättelyä.

Tutkimuksessa esiteltiin EDAL-niminen malli, joka vähentää tarvittavien merkittyjen tietojen määrää ja parantaa ennustettavuutta erittäin pienellä tietomäärällä. Toinen osa tutkimusta tutkii, kuinka ennustamisessa tapahtuvat vääristymät, kuten pitkät jakaumat ja semanttiset virheet, voidaan poistaa kausaalisilla menetelmillä. Tämä tutkimus esittelee kolme kausaalista lähestymistapaa, jotka parantavat ennustusten tarkkuutta ja auttavat luomaan reiluja järjestelmiä.