Efficient Information Gathering in Discrete Bayesian Networks

I doktorgradsarbeidet mitt har jeg utformet retningslinjer for hvordan man bør evaluere informasjonsverdi ut fra anvendelsen, og jeg har laget algoritmer som hjelper datamaskinen å kjapt regne ut hvilke undersøkelser som er best. Disse løsningene har jeg brukt både for å planlegge oljeleting i Nordsjøen og for å regne ut det optimale screeningprogrammet for brystkreft.

Når mye er ukjent, er det vanskelig å undersøke alt og derfor viktig å forstå hvilke undersøkelser som er mest effektive. Det er også essensielt å evaluere læringsverdi ut fra hva resultatene skal brukes til. Videre må en effektivt kunne regne ut hvilke undersøkelser som er best.
Jeg har fått et skattekart over Nordsjøen. Skattekartet er en rettet graf, det vil si at den består av sirkler med piler mellom dem. Sirklene er kjøkken der oljen kan ha oppstått, feller vi kan hente den ut fra eller steder på veien mellom dem. Pilene viser mulige ruter oljen potensielt kan ha beveget seg langs etter at den ble dannet for millioner av år siden. Skattekartet gir et intuitivt bilde av det vi modellerer; vi kan lese av sannsynligheten for å finne olje enkeltvis for ulike steder, og ikke minst samspillet mellom disse sannsynlighetene.

Jeg har jobbet med hvordan den intuitive og samtidig ekstremt fleksible modellen bør brukes for å regne ut hvilke letebrønner man skal velge å bore. For å finne ut av dette har jeg brukt generelle statistiker-briller for å forstå informasjonsinnhenting og informasjonsevaluering i rettede grafer mer generelt, og jeg har programmert et system for å regne effektivt i disse modellene. Statistiker-brillene har nemlig et ekstra triks. De gjør det mye lettere å se likheten mellom oppgaver som ellers kan se veldig forskjellige ut. Slik kunne jeg bruke mye av det jeg lærte av oljeletingsprosjektet til å regne ut et optimalt screeningprogram for brystkreft ut fra data fra Mammografiprogrammet.