search query: @keyword Gaussian process / total: 3
reference: 3 / 3
« previous | next »
Author:Hartikainen, Jouni Markku
Title:Sparse Gaussian Process Models In Bayesian Spatio-Temporal Analysis
Harvat gaussiset prosessit bayesilaisessa spatio-temporaalisessa analyysissä
Publication type:Master's thesis
Publication year:2008
Pages:(13) + 89      Language:   eng
Department/School:Informaatio- ja luonnontieteiden tiedekunta
Main subject:Laskennallinen tekniikka   (S-114)
Supervisor:Lampinen, Jouko
Instructor:Vehtari, Aki
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark Aalto     | Archive
Keywords:Bayesian inference
spatio-temporal modeling
disease mapping
Gaussian process
sparce approximation
bayesilainen päättely
spatio-temporaalinen mallintaminen
tautikartoitus
gaussinen prosessi
harva approksimaatio
Abstract (fin): Tämä diplomityö keskittyy rakentamaan tilastollisia malleja systeemeille, jotka koostuvat sekä paikallisista että ajallisista ilmiöistä.
Erityisesti työssä keskitytään systeemeihin, joiden perustavanlaatuinen ajallinen dynamiikka on käytännössä mahdoton määrittää.

Työn varsinainen sovelluskohde on tautikartoitus, jonka tavoitteena on tutkia suhteellisen tautiriskin maantieteellistä ja ajallista vaihtelua.
Perinteinen lähestymistapa tautitapausten tilastolliseen mallintamiseen on olettaa taudin esiintyvyys tietyllä alueella ja ajanhetkellä Poisson-prosessiksi, jonka odotusarvo koostuu vakioidun tautiriskin ja suhteellisen riskin tulosta.
Tässä työssä tautiriski vakioidaan taustapopulaation ikäjakauman mukaan.
Suhteellisen riskin logaritmille asetetaan priori-malliksi gaussinen prosessi, jonka tarkoitus on silottaa riskipinta ajan ja paikan suhteen.
Tässä työssä käsitellään kahden erilaisen harvan gaussisen prosessin toteutusta spatio-temporaalisessa tautikartoituksessa.

Yleinen ongelma Poisson-prosessissa on sen oletus varianssin ja odotusarvon yhtäläisyydelle, kun taas tautiaineistot ovat tyypillisesti niin harvoja, että havaintojen varianssi ylittää niiden odotusarvon.
Tässä työssä esitellään robusti vaihtoehto Poisson-prosessille, joka perustuu negatiiviseen binomijakaumaan.
Erityisesti työn kontribuutiona on negatiivisen binomijakaumaan perustuvan uskottavuusfunktion toteutus harvalle gaussiselle prosessille, kun latentin prosessin posteriorijakauma estimoidaan sekä Markov ketju Monte Carlo satunnaisotantamenetelmillä että expectation propagation likimääräismenetelmällä.

Työssä rakennetaan yksinkertainen havaintoaineisto, jolla toteutettuja spatio-temporaalisia tautikartoitusmalleja verrattaan keskenään.
Lisäksi malleja verrataan toisiinsa oikealla havaintoaineistolla käyttäen kymmenkertaista ristiinvalidointia.
Toteutettua negatiivista binomimallia sovelletaan oikeaan kuolinsyydataan, ja tuloksia verrataan perinteisen Poisson-prosessin tuloksiin.

Toteutettuja spatio-temporaalisia malleja sovelletaan kolmeen eri syöpätapausaineistoon.
Analyysin tulokset esitetään sekä kirjallisesti, että riskikarttoina.
ED:2008-08-21
INSSI record number: 36053
+ add basket
« previous | next »
INSSI