Scalable Propabilistic Approximation method in Applications

Abstract

This thesis aims to extend the research on the newly developed Scalable Probabilistic Approximation (SPA) method, with emphasis predominantly on classification problems. The SPA method is utilized to discretize continuous stochastic processes and, in conjunction with Bayesian causal inference modeling, leads to a multiobjective optimization problem that is capable of simultaneously resolving both objectives. The solution to this problem is formulated as a supervised machine learning algorithm that is suitable for various classification tasks. Although the algorithm is limited in terms of computational cost, a proposed estimation of the problem, which is closely related to the widely known K-means algorithm, is applicable even for large datasets. Preliminary experiments demonstrate that this framework is adaptable to the selected application of corrosion detection from image data.

Cílem této práce je rozšířit výzkum nově vyvinuté metody Škálovatelné Pravděpodobnostní Aproximace (SPA) s důrazem převážně na klasifikační problémy. Metoda SPA je uplatněna k diskretizaci spojitých stochastických procesů a v kombinaci s bayesovským modelováním kauzální inference vede k vícekriteriálnímu optimalizačnímu problému, který umožňuje splnit obě kritéria současně. Řešení tohoto problému je navrženo jako algoritmus strojového učení s učitelem, který je vhodný pro různé klasifikační úlohy. Ačkoli je tento algoritmus omezen z hlediska výpočetní náročnosti, navržený odhad problému, který je úzce spjat s široce známým algoritmem K-means, je použitelný i pro velké soubory dat. Předběžné experimenty ukazují, že tuto metodiku lze přizpůsobit k vybrané aplikaci detekce koroze z obrazových dat.